Utilização de redes para a detecção de casos de fraude em ...

TÍTULO

Subtítulo

Nome completo do Candidato

Utilização de redes para a detecção de casos de fraude em apólices de seguro automóvel. Caso de estudo em seguradoras portuguesas.

Carlos Miguel Fernandes Francisco

Trabalho de Projecto apresentado como requisito parcial

para obtenção do grau de Mestre em Estatística e Gestão de

Informação

Instituto Superior de Estatística e Gestão de Informação

Universidade Nova de Lisboa

Utilização de redes para a detecção de casos de fraude em apólices de seguro automóvel.

Caso de estudo em seguradoras portuguesas.

Por:

Carlos Miguel Fernandes Francisco

Trabalho de Projecto apresentado como requisito parcial para obtenção do grau de

Mestre em Estatística e Gestão de Informação

Orientador: Prof. Doutor Rui Gonçalves

Novembro 2014

Resumo e Palavras-Chave

O tema da fraude nas seguradoras tem sido um objecto de estudo, durante as

recentes décadas, por investigadores de diferentes áreas da sociedade, tanto do meio

académico como por especialistas da indústria, reflectindo assim a importância deste

tema no campo da economia e da aceitação social.

O principal objectivo teórico é a criação de uma rede que revele as relações

entre uma base de dados de dados de sinistros segmentada, sendo esta providenciada

por três grandes seguradoras que operam no mercado dos seguros não-vida

português, obtendo assim informação sobre as características do cliente fraudulento.

Mais especificamente, os segmentos da análise são feitos através da análise de

duas variáveis alvo presentes nesta que dão informação se o cliente é não-suspeito e

não-confirmado, não-suspeito e confirmado, suspeito e não confirmado e suspeito e

confirmado. Após a análise, os quatro segmentos são criados e posteriormente, a rede

é elaborada com base na relação das diferentes características dos segmentos criados.

Os resultados mostram que os segmentos que se referem aos casos suspeitos e

não confirmados e os casos suspeitos e confirmados são os que mais se relacionam,

por outro lado, o segmento dos casos não suspeitos e não confirmados é o que menos

características em comum.

A presente dissertação será escrita de acordo com o antigo acordo ortográfico.

Palavras-chave: Fraude nas seguradoras, Redes, Apólices, Relações, Segmentos,

Abstract

The insurance fraud theme has been a subject of a various number of studies,

during the past decades, by researchers of different areas of the modern society, from

both academic and industry experts reflecting there by the importance of this thematic

in the fields of economics and social acceptance.

The main theoretical objective is the creation of a network that reveals the

relationships between a segmented insurance claims sample that has been provided

by three major insurance companies operating in the Portuguese non-life insurance

market, providing therefore information about the characteristics of fraudulent

customer.

More specifically, the sample segmentations are made by analyzing two targets

variables that are contained with it and give information whether the claim is non-

suspect and non-confirmed, non-suspect and confirmed, suspect and non-confirmed

and for the last case suspect and confirmed. After the analysis, the four segments are

created and then the relationships of the different characteristics of the segments are

created, giving birth to the network of segments.

The results show that the segment referring the claims that are suspect and non-

confirmed and the suspect and confirmed are the most related segments, on the other

hand, the segment of the non-suspect and non-confirmed are the ones that have less

characteristics in common.

Key Words: Insurance Fraud, Network, Claims, Relationships, Segments.

Jel Codes: G22, L14

Índice

I. Introdução .................................................................................................................................................... 5

a) Objectivos do Estudo e Enquadramento do problema............................................................................ 5

b) Importância e Justificação do Problema .................................................................................................. 6

II. Revisão Literária ........................................................................................................................................... 8

a) Fraude nos seguros .................................................................................................................................. 8

a. Contextualização ................................................................................................................... 8

b. Enquadramento histórico ................................................................................................... 14

c. Compreensão jurídica ......................................................................................................... 15

b) A fraude no seguro automóvel .............................................................................................................. 17

c) Redes ..................................................................................................................................................... 20

a. As ciências da complexidade ............................................................................................... 20

b. Contextualização histórica .................................................................................................. 21

d) Tipologias de redes ................................................................................................................................ 23

III. Metodologia ............................................................................................................................................... 28

a) Descrição da Investigação ...................................................................................................................... 28

IV. Resultados .................................................................................................................................................. 31

a) Segmentação e análise da amostra ....................................................................................................... 31

b) Criação de matriz de semelhança .......................................................................................................... 34

V. Conclusões ................................................................................................................................................. 37

VI. Limitações e investigação futura ................................................................................................................ 39

VII. Bibliografia ................................................................................................................................................. 41

VIII. Anexos ........................................................................................................................................................ 44

a) Gráficos .................................................................................................................................................. 44

b) Tabelas ................................................................................................................................................... 70

c) Matrizes ................................................................................................................................................. 98

ÍNDICE DE FIGURAS

Figura 1 – Aplicação de técnicas antifraude para os diferentes casos de fraude

nas seguradoras. 19

Figura 2 - As sete pontes de Königsberg e a origem da Teoria dos Grafos. 21

Figura 3 - Ilustração da rede. 22

Figura 4 – Descrição visual do processo de rewiring. 25

Figura 5 – Materialização da Rede entre segmentos. 37

ÍNDICE DE FORMULAS

Formula 1: Coeficiente de agregação genérico 24

Formula 2 – Distancia média mais curta. 25

Formula 3 - Grau médio da rede. 26

Formula 4 – Coeficiente de agregação das redes small world. 26

Formula 5 - Coeficiente R(gi). 26

ÍNDICE DE TABELAS

Tabela 1 – Enumeração e descrição das 39 variáveis em utilização. 29

Tabela 2 – Estatísticas descritivas para as variáveis numéricas nos casos onde

FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0. 70

Tabela 3 – Tabela de frequência para a variável Perc_Policy_Exposure nos casos

onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0. 71

Tabela 4 – Tabela de frequência para a variável COD_Claim_Time nos casos onde


Tabela 5 – Tabela de frequência para a variável COD_Claim_Loc_Nuts nos casos


Tabela 6 – Tabela de frequência para a variável COD_NAT_CI nos casos onde


Tabela 7 – Tabela de frequência para a variável COD_Gender_CI nos casos onde


Tabela 8 – Tabela de frequência para a variável COD_Occupation_CI nos casos


Tabela 9 – Tabela de frequência para a variável COD_INJ_Nature_CI nos casos


Tabela 10 – Tabela de frequência para a variável COD_VI_MM nos casos onde


Tabela 11 – Tabela de frequência para a variável COD_VI_TYPE nos casos onde


Tabela 12 – Tabela de frequência para a variável COD_V1_MM nos casos onde


Tabela 13 – Tabela de frequência para a variável COD_V1_TYPE nos casos onde

FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0 76





Tabela 16 – Tabela de frequência para a variável FLG_Claim_Wkend nos casos

onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0

78

Tabela 17 – Tabela de frequência para a variável FLG_Claim_Overseas nos casos

onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0 78

Tabela 18 – Tabela de frequência para a variável FLG_Claim_Insured nos casos


Tabela 19 – Tabela de frequência para a variável FLG_Claim_Police_Rep nos casos


Tabela 20 – Tabela de frequência para a variável FLG_Claim_Injured nos casos


Tabela 21 – Tabela de frequência para a variável FLG_Claim_Witness nos casos


Tabela 22 – Tabela de frequência para a variável FLG_PC_Providers_CI nos casos


Tabela 23 – Tabela de frequência para a variável FLG_VI_Chose_Garage nos casos


Tabela 24 – Tabela de frequência para a variável FLG_VI_Repair_PFraud nos casos


Tabela 25 – Tabela de frequência para a variável FLG_PC_V1_Provider nos casos


Tabela 26 – Tabela de estatísticas descritivas para a variável VAL_Policy_Exposure

nos casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0 80














onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 1.

81


































onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 1

85


nos casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 1 86

































89


















nos casos onde FLG_Susp_Fraud = 1 e FLG_Conf_Fraud = 0. 90

















92

































Tabela 101 – Tabela de estatísticas descritivas para a variável

VAL_Policy_Exposure nos casos onde FLG_Susp_Fraud = 1 e FLG_Conf_Fraud = 1. 94

Tabela 102 – Tabela de valores omissos para o total da amostra 94

Tabela 103 – Tabela de valores omissos para o segmento 1 95




ÍNDICE DE GRÁFICOS

Gráfico 1 – Localização das apólices consoante o quartil de percentagem do valor

seguro pela apólice para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0. 44

Gráfico 2 – Distribuição temporal da ocorrência dos sinistros para os casos onde


Gráfico 3 – Distribuição geográfica por Nut3 da ocorrência dos sinistros para os

casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0. 45

Gráfico 4 – Nacionalidade do sinistrado para os casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0. 45

Gráfico 5 – Género do sinistrado para os casos onde FLG_Susp_Fraud = 0 e


Gráfico 6 – Tipos de lesão decorrente do sinistro para os casos onde


Gráfico 7 – Tipos de veiculo seguro para os casos onde FLG_Susp_Fraud = 0 e


Gráfico 8 – Tipo do veiculo 1 no sinistro para os casos onde FLG_Susp_Fraud = 0 e




Gráfico 10 – Variável binária indicativa se o acidente ocorreu num dia de semana

(0) ou se ocorreu num fim-de-semana/feriado (1) para os casos onde

FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

47

Gráfico 11 – Variável binária indicativa se o acidente ocorreu num em Portugal (0)

ou se ocorreu no estrangeiro (1) para os casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

47

Gráfico 12 – Variável binária indicativa se o tomador da apólice é reclamante (1)

ou não (0) para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0. 48

Gráfico 13 – Variável binária indicativa se existiu intervenção das autoridades (1)


Gráfico 14 – Variável binária indicativa se existiu danos corporais (1) ou não (0)

para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0. 48

Gráfico 15 – Variável binária indicativa se existiu testemunhas do sinistro (1) ou

não (0) para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0. 49

Gráfico 16 – Variável binária que indica se há Sinistros anteriores envolvendo o

Segurado e Oficina (1) ou não (0) para os casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

49

Gráfico 17 – Variável binária que indica se o Segurado escolheu a Oficina (0) ou 49

não (1) para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

Gráfico 18 – Variável binária que indica se a Oficina está associada a fraude (1) ou


Gráfico 19 – Variável binária se existem sinistros anteriores envolvendo (1) ou não

(0) para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0. 50

Gráfico 20 – Distribuição do valor seguro pela apólice para os casos onde


Gráfico 21 – Distribuição da percentagem do valor seguro para os casos onde





















54



FLG_Conf_Fraud = 1.

54







Gráfico 35 – Variável binária indicativa se existiu testemunhas do sinistro (1) ou 55

não (0) para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 1.



FLG_Conf_Fraud = 1.

56

Gráfico 37 – Variável binária que indica se o Segurado escolheu a Oficina (0) ou





















FLG_Conf_Fraud = 0.

59








60



FLG_Conf_Fraud = 0.

61

Gráfico 52 – Variável binária indicativa se o tomador da apólice é reclamante (1) 61

ou não (0) para os casos onde FLG_Susp_Fraud = 1 e FLG_Conf_Fraud = 0.









FLG_Conf_Fraud = 0.

62




























67

Gráfico 70 – Variável binária indicativa se o acidente ocorreu num em Portugal (0) 67


FLG_Conf_Fraud = 1.











FLG_Conf_Fraud = 1.

69









ÍNDICE DE MATRIZES

Matriz 1 – Relação da variável NUM_Antig_Act_Policy entre segmentos. 34

Matriz 2 – Relação da variável NUM_Antig_Alt_Policy entre segmentos. 35

Matriz 3 – Relação da variável VAL_Prop_Exposure entre segmentos 35

Matriz 4 – Relação da variável COD_Claim_Time entre segmentos. 35

Matriz 5 – Relação da variável NUM_V1_Age_FR entre segmentos. 35

Matriz 6 – Relação da variável COD_NAT_CI entre segmentos. 36

Matriz 7 – Percentagem das relações mais frequentes entre segmentos. 36

Matriz 8 – Relação da variável FLG_Claim_Wkend entre segmentos, sendo mais

comum o facto de o acidente ocorrer durante a semana. 98

Matriz 9 – Relação da variável FLG_Claim_Wkend entre segmentos, sendo mais

comum o facto de os sinistros ocorrerem principalmente no grande Porto e grande

Lisboa.

98

Matriz 10 – Relação da variável FLG_Claim_Overseas entre segmentos, sendo mais

comum o facto de os sinistros em território português. 98

Matriz 10 – Relação da variável FLG_Claim_Insured entre segmentos, sendo mais

comum o facto de os sinistros não ter sido reclamado pelo tomador do seguro. 98

Matriz 11 – Relação da variável FLG_Claim_Police_Rep entre segmentos, sendo

mais comum o facto de os sinistros não terem obtido a presença das autoridades. 98

Matriz 12 – Relação da variável FLG_Claim_Injured entre segmentos, sendo mais

comum o facto de os sinistros não terem ocorrido lesões corporais decorrentes do

mesmo.

98

Matriz 13 – Relação da variável COD_Gender_CI entre segmentos, sendo mais

comum o facto de os tomadores do seguro em questão serem do género

masculino.

99

Matriz 14 – Relação da variável FLG_VI_Chose_Garage entre segmentos, sendo

mais comum o facto de os tomadores do seguro terem de sua vontade escolhido a

oficina para as reparações dos seus veículos.

99

Matriz 15 – Relação da variável FLG_VI_Repair_PFraud entre segmentos, sendo

mais comum o facto as oficinas seleccionadas pelos tomadores de seguros não

terem sido identificadas por fraude anteriormente.

99

Matriz 16 – Relação da variável FLG_PC_V1_Provider entre segmentos, sendo mais

comum o facto as oficinas seleccionadas pelos tomadores de seguros não terem

sido seleccionadas em casos anteriores.

99

5

I. Introdução

a) Objectivos do Estudo e Enquadramento do problema

No final da década de 1980, o problema da fraude nas seguradoras, seja no ramo

vida ou não vida, tornou-se um factor de interesse em todo o mundo, não só devido ao

aumento da carteira de produtos disponibilizados por parte das seguradoras (para fazer

face às mudanças na sociedade contemporânea1) mas principalmente devido ao aumento

exponencial de danos/roubos no sector automóvel, como por exemplo o ateamento da

própria viatura em chamas ou o exagero de danos causados nos bens assegurados, o que

levou a alertas sobre quais das mesmas situações seriam verdadeiras ou não (Derrig 2002;

Niemi 1995). Apesar disto, as seguradoras vítimas deste crime mantiveram a sua política/a

prática inalterada durante a década de 90, uma vez que acreditavam que conseguiam

passar o custo destas operações fraudulentas para as carteiras de apólices dos seus

clientes, através do aumento dos prémios pedidos sem que isto afectasse a vantagem

competitiva no mercado segurador. A competição económica entre seguradoras tornou

mais difícil um acordo que tivesse como objectivo acções e campanhas de sensibilização a

tomar para prevenir e combater a fraude (Viaene & Didene, 2004).

Com a crescente evolução do poder computacional ao longo das últimas décadas e

consequente desenvolvimento exponencial das bases de dados corporativas a matéria-

prima para a evolução do estudo das redes está a atingir um estado de maturação,

constituindo assim um importante campo tanto na análise relacional entre os

intervenientes do processo de seguros, como também na capacidade de tomar decisões

mais precisas e com impacto relevante. Deste modo, todas as técnicas que permitam uma

análise mais aprofundada de todos estes casos e que providenciem bases, ou modelos

analíticos, com novas características mais robustas, para “delapidação” das base de dados

das companhias de seguro são necessárias para estudar este fenómeno já de si complexo,

mas que ganha hoje contornos, seja devido a factores externos às seguradoras como os

1 Mudanças tipificadas pela alteração dos padrões de consumo, visando o aumento possessão de bens onde

vigoravam principalmente automóvel individual e os bens de consumo mas também actividades financeiras

como os créditos ao consumo ou à habitação.

6

factores sociais ou económicos, quer sejam estes tanto a nível nacional como

internacional.

Posto isto, este projecto tem como objectivo principal o estudo das relações entre

diferentes apólices, claramente identificadas e onde foi verificada a existência de praticas

fraudulentas e/o suspeita de realização destas, de modo a que seja possível a criação de

uma rede tendo como base uma amostra com dados reais proveniente de três seguradoras

que operam no mercado português, no ramo de seguros não vida – mais precisamente no

ramo automóvel.

Especificamente, os objectivos passam por utilizar estatísticas descritivas e de

frequência para descrever as variáveis que foram seleccionadas para a análise da amostra

de forma a obter uma ideia de como estão caracterizados cada segmento. Posteriormente,

identificar características semelhantes entre os segmentos de forma a dar origem à rede de

relações entre estes através da maior frequência/média aproximada da média das

características comuns. Por fim, a caracterização dos perfis de apólices entre segmentos

comuns de forma a compreender como se relacionam os segmentos entre si.

b) Importância e Justificação do Problema

Devido à necessidade ou obrigatoriedade de realização de seguros em várias áreas da

sociedade, as seguradoras possuem em carteira elevado leque de produtos abrindo as

portas a comportamentos fraudulentos em todas essas áreas, o que tem um custo

adicional para todos os restantes clientes considerados cumpridores. Dados estatísticos

apontam que no total, os custos com a fraude nas seguradoras atingem o valor anual de

96.8 mil milhões de USD em todo o mundo, onde cerca de 3 mil milhões USD apenas na

fraude automóvel. (Erie Insurance, 2012).

A própria existência das seguradoras como um mercado permitiu que o mesmo se

tornasse um palco para fraudes e abusos, dado que as seguradoras não reconhecem que o

aumento do número de fraudes recai sob o principal problema: o aumento de

oportunidades para o crime, aquando da venda de produtos por parte da seguradora,

sobre os quais os tomadores de seguros não conseguem conhecer, na sua totalidade, as

condições inerentes ao produto pretendido. (Lesch and Brinkmann, 2011; Niemi 1995). As

cláusulas contratuais também foram passivas no que diz respeito à não cobertura de

7

possíveis oportunidades de fraude, principalmente os termos e condições liberais que

levaram a que os segurados se tornassem mais relaxados em relação às suas propriedades

e bens, para o qual celebraram o contrato. (Niemi 1995).

No entanto, o paradigma alterou e surgiram várias abordagens no sentido de

identificar e detectar estes casos apriori, numa tentativa de mitigação da revindicação

fraudulenta de sinistros ao nível de modelos estatísticos, tecnologias, aplicações de

inteligência artificial e machine learning levando a diversos problemas na aplicação dos

métodos referidos, visto que a detecção dos casos de fraude não é 100% perfeita. (Derrig

2002). Então, questões de caracter ético e moral como: “Serão as apólices classificadas

como fraudulentas realmente verdadeiras?” e: “Serão as apólices não identificadas pelo

método de detecção realmente não fraudulentas?” moralizaram os investigadores

continuar a sua investigação em busca da diminuição dos erros nos seus modelos

propostos (Artís et. Al. 2002).

8

II. Revisão Literária

a) Fraude nos seguros

a. Contextualização

Um seguro é um contrato civil ou apólice2, celebrado entre um individuo ou uma

entidade3 e uma companhia de seguros (ou seguradora), no qual esta se responsabiliza a

dar cobertura financeira contra um acontecimento de perda, transferindo assim o risco na

totalidade para a seguradora. Para tal a seguradora cobra um prémio ao cliente, consoante

o risco e a probabilidade de ocorrência associados ao evento de perda, sendo este contrato

assinado com base no facto de que tanto a seguradora como o seu tomador de seguro

agirão, perante as suas responsabilidades, de boa-fé4, isto é os agentes económicos não

irão alterar o seu comportamento durante o prazo em que o contrato se encontra em

vigor, isto é de acordo com os diferentes contextos económicos, exemplificando: na

ocorrência do sinistro segurado, relatar os factos de forma incorrecta de forma a tentar

ganhar um benefício financeiro adicional para si ou para terceiros (Lesch and Brinkmann,

2011; Viaene e Dedene, 2004).

A fraude nas seguradoras5 pode ser considerada um problema moral-psicológico,

moral-social e criminal, pois envolve ganhar vantagem da promessa contratual da

seguradora de pagar, na totalidade ou parcialmente, em caso de perda. Este problema

difere, por exemplo, da evasão fiscal ou do roubo de bens materiais, dado que esta relação

contratual única tem implicações importantes para o caracter das apólices fraudulentas,

fazendo com que as seguradoras e a sociedade em geral estejam sempre à procura de

2 Documento escrito, datado e assinado formalizando o contrato de seguro. Este inclui as condições sejam

estas gerais, especiais e caso houver particulares, acordadas entre a seguradora e o assegurado. (No caso

português, conforme a publicação no Decreto-Lei n.º 72/2008 em Diário da Republica)

3 Visto que, Lesch e Brinkmann (2011), classificam o mundo das seguradoras como um “mercado”, é possível

a seguinte denominação.

4 Segundo a literatura anglo-saxónica, o não cumprimento da boa-fé por parte dos intervenientes dá origem

ao termo moral-hazard, ou seja o extravio do comportamento ou da boa vontade no seguimento da duração

do contrato, sendo possível aumentar as probabilidades do pagamento do valor referenciado na apólice após

a ocorrência do sinistro (Lesch and Brinkmann, 2011).

5 Existem várias denominações para o mesmo problema como fraude contra os seguros (Instituto Seguros de

Portugal) ou o termo anglo-saxónico de insurance fraud.

9

novas formas de a combater. Este problema já foi analisado por investigadores de áreas

como a economia, seguros, sociologia, criminologia e psicologia, realçando aspectos

destintos em comportamentos desonestos. A nível regulamentar, a fraude nas seguradoras

está incluída no Pilar I do acordo Solvência II, no cálculo do Solvency Capital Requirement,

na parcela de Risco Operacional6. (Tennyson, 2008; Dionne e Wang, 2013)

A fraude tem origem na violação da apólice assinada entre a seguradora e o cliente,

sendo que esta pode ocorrer em qualquer fase da duração da mesma, a partir de acções ou

omissões deliberadas, efectuadas pelo segurado, com o intuito de obter das seguradoras

ganhos financeiros ou outros, a que não tem direito, para si ou para terceiros, utilizando

para isso falsas informações e induzindo assim a seguradora em erro (Brites, 2006;

Gilberto, 2010).

O incumprimento do contrato por parte do segurado insere-se na violação do

princípio da boa-fé implícito no mesmo, dando lugar a um moral-hazard7, que se pode

traduzir quer numa fraude oportunista8 – aproveitamento de um evento legítimo

executando um buildup9; quer numa fraude planeada10 - premeditação de um evento,

tornando-o deste modo ilegítimo e, por consequência, originando perdas para a

seguradora, uma vez que o custo da fraude leva a inflações nos prémios das apólices de

outros clientes e aumenta a exposição ao risco de eventos, devido a restrições contratuais

e ineficiências no mercado segurador. O facto de ser possível lucrar perante a fraude leva a

sociedade a reflectir sobre as companhias de seguro no entanto, esta tende a acreditar que

6 O risco operacional tornou-se uma importante fonte de risco para as instituições seguradoras, sendo que o

mesmo representa entre 5% e 20% do risco total de uma instituição. (Dionne e Wang, 2013)

7 Problema reconhecido como um risco de negócio intrínseco, onde são tidos em conta tanto a natureza do

contrato, a legislação em vigor e as características de activação de apólices da seguradora (Baker, 1996).

8 Termo utilizado para representar a fraude efectuada por cidadãos comuns, onde não existe um

planeamento concreto do evento e sem que, em muitas vezes, os mesmos tenham conhecimento de que

estão praticar uma violação contratual, onde sejam causas as mais comuns a “invenção” de perdas ou um

pequeno exagero da realidade. (Lesch and Brinkmann, 2011; Tennyson, 2008)

9 Nomenclatura anglo-saxónica para definir o exagero dos danos causados.

10 Termo utilizado para caracterizar a fraude cuja qual é principalmente efectuada por grupos associados a

actividades criminosas, onde o evento é planeado meticulosamente com o objectivo delineado.

10

a fraude nas seguradoras é um crime sem vítimas. (Niemi, 1995; Dean, 2004; Miyazaki,

2008, Gilberto, 2010; Tennyson 2008).

A dimensão social da fraude, ou a sua tolerância, depende da atitude por parte dos

consumidores contra a mesma, visto que os mesmos possuem o conhecimento do retorno

dos seus actos e estes poderão criar estigmas socias e/ou custos físicos relacionados com a

fraude. Tal como no meio social, as atitudes de um individuo são baseadas nas atitudes da

sua rede de influência, isto é quanto maior as atitudes a favor da fraude, assim como a sua

“naturalidade” e tolerância na sociedade, maior será a probabilidade deste adquirir o

mesmo comportamento, idealizando assim probabilidades baixas para penalidades e

detecção de comportamentos fraudulentos. (Tennyson 2008).

Visto que Portugal é conhecido pela “arte” de enganar a autoridade tributária, a

sociedade portuguesa tolera a fraude nas seguradoras, dado que presume que as

seguradoras detêm muito capital. Contudo esta ideia é uma falácia, pois as entidades

seguradoras pagam milhões de euros em indemnizações, resultantes de ardilosos

esquemas, muitas vezes extremamente complexos e altamente bem elaborados. (Martins,

2006).

A fraude nas seguradoras pode ser medida em quatro formas, (1) fraude criminal ou

hard fraud, (2) suspeita de fraude criminal, (3) soft fraud ou abuso sistemático e por fim,

(4) suspeita de fraude ou de abuso sistemático. Existe assim, possibilidade de um cliente

ser processado por hard fraud, sempre que os actos praticados possuam determinadas

características como: (1) ser um acto de consciência plena, (2) ser um acto contra a lei11, (3)

sempre que haja um ganho financeiro, por parte do assegurado e por fim (4) quando exista

uma representação material indevida, isto é um “excesso” de declaração do sinistro. Basta

uma destas condições não ser cumprida, para se entrar na chamada “zona cinzenta” ou

soft fraud, onde não existe evidências para um crime e consequência tomada das suas

11

Entenda-se por lei a Norma Regulamentar N.º 10/2009-R, de 25 de Junho elaborada pelo Instituto de

Seguros de Portugal onde a fraude nas seguradoras tem como definição: “Fraude contra os seguros - prática

de actos ou omissões intencionais, ainda que sob a forma tentada, com vista à obtenção de vantagem ilícita

para si ou para terceiro, no âmbito da celebração ou da execução de contractos de seguro ou da subscrição de

operações de capitalização, designadamente os que visem uma cobertura ou pagamento indevido.”.

11

acções, mas existe sim um abuso que não justifica a activação dos meio judiciais. (Sparrow,

1996; Derrig et. Al., 2006; Lesch and Brinkmann, 2011).

Lesch e Brinkmann (2011), referem que os segurados têm sido o principal alvo no

estudo sobre a fraude nas seguradoras, sendo estas vistas como entidades reguladoras e

tribunais. No entanto, as seguradoras embora tenham a capacidade de saber que existem

actos de má-fé, falham ao provar a veracidade dos mesmos e outros comportamentos não

éticos, a não ser quando activam os mecanismos legais existentes nas transgressões à lei.

Exemplo: quando um segurado tem um acidente automóvel e dirige-se a uma oficina para

arranjar o veículo, para além de arranjar o que foi estragado no acidente, arranja algo que

já se encontrava avariado. Na factura final, vai aparecer que foi arranjado, por exemplo, o

pára-choques, com um preço final de 100€, contudo o preço real de arranjo do pára-

choques é mais baixo que o apresentado na factura.

Baldock (1997), propôs outro tipo de divisão de clientes fraudulentos, estes podem-

se dividir entre (1) o average offender, caracterizado pelo cidadão cumpridor da lei, que

pertence a qualquer classe social e que, por tentação ou dificuldade financeira, defrauda a

seguradora com um tipo de fraude mais leve; (2) o criminal ofender, o cidadão que, para

além de praticar fraude nas seguradoras, comete outro tipo de crimes, continuando o

trajecto criminal até ser apanhado e (3) o organised crime offender, cidadão que faz do

crime uma carreira, proveniente de redes criminosas organizadas e investindo muito

tempo e esforço na organização de esquemas fraudulentos complexos, sendo o seu

objectivo o extravio de grandes quantidades de dinheiro das companhias de seguro, para

financiar outras actividades criminosas.

Segundo Clarke (1989), é possível categorizar os clientes fraudulentos como (1)

oportunistas, isto é indivíduos que se aproveitam de uma situação real, sobrevalorizando o

valor da participação do sinistro, por exemplo; (2) amadores, cidadãos que efectuam

seguros múltiplos e participações inteiramente falsas, mas não em números significativos,

e por fim (3) os criminosos profissionais que são indivíduos pertencentes a grandes

organizações criminosas, cujo objectivo é praticar fraudes organizadas nas seguradoras,

assim como outros tipos de crime.

12

Com o aumento de número de técnicas e ferramentas de detecção, chega também o

aumento do número de casos identificados de fraudes contra as companhias de seguro e

consequentemente, o aumento do problema da fraude. Com base neste ponto de vista,

Tennyson (2008) afirma que apesar do aumento real dos números da fraude, a sua subida

exponencial prende-se com o facto de existir uma maior fiscalização12, questionando assim

os benefícios no aumento dos casos de fraude, ignorando o elevado custo dos

comportamentos fraudulentos para a sociedade contemporânea.

Posto isto, a probabilidade de existência de uma apólice com características

fraudulentas não é consensual, existem inúmeros factores socioeconómicos que deverão

ter-se em conta nos casos da “zona cinzenta” referenciada por Sparrow (1996), como qual

o tipo de segurado que a pratica, quais as fraudes a incluir (ou seja uma fraude oportunista

ou planeada), quais são as áreas geográficas com maior incidência, a natureza da perda, o

contexto do seguro, a prática empresarial, o género do segurado, o rendimento

económico, a condição social, o nível de escolaridade, os impostos como o IRS, IRC, o

conhecimento do sistema no geral, os factores psicológicos, a noção de justiça, de

confiança e obediência, as percepções negativas das companhias de seguros, assim como

os clientes que obtiveram experiencias negativas com as mesmas (Derrig et. Al., 2006;

Cialdini, 1989).

As entidades seguradoras possuem ao seu alcance um número vasto de ferramentas

analíticas, mas principalmente a matéria-prima da investigação: os dados sobre os seus

clientes suspeitos ou não de comportamentos ou atitudes fraudulentas. Sejam estes dados

obtidos através da sua relação, quer através dos termos acordados nas cláusulas da

apólice, ou mesmo através de relações com entidades externas à seguradora, estes dados

facilitam a investigação das seguradoras de todos os casos que achem suspeitos e na

tomada de acções internas contra os casos fraudulentos, sem entrar com actos criminais,

evitando assim burocracias desnecessárias, pois tanto os recursos públicos (policia ou

tribunais), como os recursos privados de investigação são insuficientes na altura de obter

provas concretas, no que diz respeito à investigação a possíveis casos de fraude. (Niemi

1995).

12

Com o aumento da fiscalização atualmente, detetou-se um maior número de casos de fraude. Não existindo fiscalização, estes casos não seriam conhecidos.

13

Segundo Tennyson (2008), a audição e detecção de casos de fraude diminui a relação

de confiança entre a seguradora e os seus clientes, limitando assim os ganhos com as

trocas nos seguros e consequentemente aumentando os casos de fraude na própria

seguradora, sendo que os consumidores com actos fraudulentos são atraídos para as

seguradoras mais brandas com a problemática da fraude. Contudo, dado que a detecção

de casos de fraude está relacionada com o trade-off entre o efectuar ou não uma auditoria

e o seu retorno, seja a nível de recursos (tanto humanos como de capital), seja a nível de

custos com processos jurídicos ou até mesmo na facilidade em encontrar a “verdade”, as

companhias de seguro revelam sempre um grande interesse em detectar os seus casos de

fraude. Contudo, poucos casos são reportados oficialmente, sendo que os benefícios

directos da investigação de casos fraudulentos revelam uma diminuição dos custos

associados com as mesmas. No que toca a benefícios indirectos existe um maior incentivo

a que os clientes diminuam as tentativas de fraude. (Lang e Wambach, 2013; Tennyson

2008).

Niemi (1995) refere que para minimizar o impacto financeiro decorrente da

existência de casos fraudulentos, é do interesse da seguradora chegar a um acordo com o

cliente fraudulento, para que minimize ou desapareça por completo o impacto financeiro

para ambas as partes, seja através das custas judiciais ou mesmo conseguindo que o lesado

pague, na totalidade ou parcialmente, a indemnização recebida pelo acto fraudulento,

adicionando o facto da companhia de seguros lesada ser capaz de prever futuras acções,

por parte de um cliente já identificado como fraudulento. Caso se confirme a existência de

fraude, o autor sugere que, para além da rescisão imediata de todas as apólices existentes

entre a seguradora e o cliente fraudulento, a seguradora deverá fazer tudo ao seu alcance

para pagar o mínimo ao seu segurado até que as provas concretas sejam apresentadas. o

pagamento apenas dos danos reais para o qual a apólice original foi efectuada ou o

pagamento por parte do segurado da diferença do valor do prémio pago, o não pagamento

de qualquer prémio por parte da seguradora, a rescisão do contrato e as provas

apresentadas para criminalizar o responsável ou ainda, caso apenas exista fortes suspeitas

de fraude, mas não provas concretas.

14

Em conclusão, a fraude nas seguradoras é um fenómeno complexo e vasto, em

virtude das inúmeras características que esta compõe e das acções da mesma e para o

mesmo resultante, sendo o mesmo derivante da expansão exponencial tanto da indústria

seguradora como da sociedade em geral.

b. Enquadramento histórico

A humanidade sempre sentiu necessidade de encontrar meios que permitissem a

tanto a sua protecção, como a protecção dos seus bens, contra a incerteza do futuro.

Quando a actividade humana estava ligada a 100% à natureza, totalmente alheia às

actividades humanas, as sociedades mais organizadas comprometeram-se a encontrar

meios que diminuíssem os riscos associados às suas actividades. Com o aparecimento dos

seguros, surgiu também a fraude associada aos mesmos, apesar de apenas nos últimos 30

anos a sua investigação ter sido bastante mais aprofundada.

Existem manuscritos e relatos provenientes da Grécia Antiga13 que referem o

afundamento propositado de embarcações, também conhecido como ship scuttling, o qual

ficou presente na sociedade ocidental, até ao século XVIII, onde se tornou insustentável

para a indústria seguradora. Atingiu níveis de insustentabilidade tão elevados que, no caso

da Inglaterra, os indivíduos cujas acções fossem consideradas verídicas, enfrentavam a

pena de morte. Tal punição pelo crime originou uma diminuição neste tipo de fraude,

levando ainda os consumidores fraudulentos a investir noutro tipo de seguros,

nomeadamente em seguros de vida. Já nos séculos XIX e XX, com o crescimento das

necessidades da indústria ferroviária e da indústria automóvel houve um crescimento

exponencial tanto da indústria seguradora, como dos esquemas fraudulentos associados

aos mesmos. Já nos finais do século XX e início do século XXI com a expansão exponencial

do mercado segurador a outros sectores como o financeiro, imobiliário, tecnológico,

transportador entre outros, novas formas e oportunidades de fraude surgiram desse

rápido crescimento (Viaene e Dedene, 2004; Gilberto, 2010; Niemi, 1995; Derrig, 2002)

O interesse pela fraude nas seguradoras também aumentou durante a década de 80

do seculo XX, em diversos países. Nos Estados Unidos da América foi criada a special

investigative unit (SIT), no Canadá foram estabelecidas as bases conceptuais para a análise

13

Período datado entre 1100 A.C. e 146 A.C após dominação e inclusão por parte do império romano.

15

da fraude, no Reino Unido a fraude nos seguros de viagem, automóvel, de propriedade e

de negócios tornava-se um problema que necessitava de atenção concertada e planeada

levando a que os oito países14 industrializados subscrevessem um consenso generalizado

sobre o problema da fraude, que contudo obteve várias e diversas respostas já no final da

década de 80 (Derrig, 2002; Clarke, 1989; Clarke, 1990). Contudo, só em 2006 foi criado em

Portugal a CTFRAUDE15 pela Associação Portuguesa de Seguros, cujo objectivo é a luta

contra a fraude nas seguradoras. Hoje em dia, a Guarda Nacional Republicana (GNR),

através dos seus núcleos de investigação criminal16 e investigação de crimes em acidentes

de viação17 permite, em colaboração com a Associação Portuguesa de Seguradoras e as

restantes forças de segurança como a Policia de Segurança Publica (PSP) e Policia Judiciaria

(PJ), investigar possíveis casos de fraude nas seguradoras em todas as vertentes. O

objectivo desta investigação é recolher informação que permita um estudo exaustivo do

fenómeno, das suas causas, das suas formas e dos efeitos colaterais, para uma melhor

compreensão e acção na prevenção, desencadeando consequentemente uma acção penal

célere e delineando estratégias de investigação dirigidas correctamente, investigação essa

que se estende a nível internacional18, através do gabinete nacional da INTERPOL e da

unidade nacional da EUROPOL. (Gilberto, 2010; GNR, 2013).

c. Compreensão jurídica

O termo fraude nas seguradoras está muitas vezes associado ao engano e ao abuso

por parte dos segurados face ao seu contrato de boa-fé, celebrado com a entidade

seguradora, não constituindo assim um crime. A fraude nas seguradoras é um conceito

atribuído internacionalmente (a legislação portuguesa não especifica), seja no campo civil

como criminal, o que não opõem a que os actos fraudulentos possam assumir ou não

características criminais em dependência dos factos verificados, como por exemplo a

realização de outros crimes para levar a cabo o abuso como a falsificação de documentos

ou a associação criminosa. (Viaene & Dedene, 2004; Brites 2006; Correia 2010)

14

Sendo estes o Canadá, a França, a Inglaterra, a Irlanda, a Itália, a Alemanha, a Holanda e os Estados Unidos 15

Acrónimo para Comissão Técnica da Fraude. 16

Este núcleo tem por competência proceder à investigação de crimes para os quais a GNR tem competência e que não esteja atribuído a outros órgãos. 17

Competência para investigar crimes resultantes de acidentes de viação que originam feridos graves ou vítimas mortais. 18

Ao abrigo da lei da organização de investigação criminal – Lei nº49/08, de 27 de Agosto, Artº 12º.

16

A tipificação autónoma do delito prende-se com a frequência com que a modalidade

de burla é verificada, assim como a sua relevância para a sociedade. Visto que em Portugal

o crime de fraude nas seguradoras não se encontra enquadrado no código penal

português, existe a possibilidade de este se desmultiplicar em diversos artigos do Código

Penal, como os crimes de burla simples e qualificada – artigos 217º e 218º, burla relativa a

seguros19 – artigo 219º, o crime de falsificação de documentos – artigo 256º, o crime de

falsificação de notação técnica – artigo 258º, o crime de atestado falso – artigo 260º, o

crime de associação criminosa – artigo 299º e o crime de simulação de crime – artigo 366º.

(Brites 2006; Correia 2007, 2010). No entanto, a problemática da necessidade autónoma

do delito em questão mantem-se e a suportar este facto mantem-se o facto do artigo 219

do código penal não suportar na totalidade das ofensas cometidas no âmbito da fraude nos

seguros, como por exemplo os casos em que o sujeito activo determina outrem à prática

dos actos supra; o facto de não contemplar uma estrutura idêntica ao crime de burla e por

fim a contemplação dos crimes de dano e o crime de ofensa à integridade física, alíneas a)

e b) do ponto 1. (Costa, 1999).

A nível civil, o Decreto-lei nº72/2008, de 16 de Abril é bastante claro relativamente às

punições a tomar caso se verifiquem condutas ou comportamentos fraudulentos por parte

do cliente, designadamente “omissões ou inexactidões dolosas” – artigo 25º; “Omissões ou

inexactidões negligentes” – artigo 26º; comportamentos de má-fé na omissão de cessação

do risco – artigo 44; a realização de actos dolosos, presente nos artigos 46º, 141º, 144º e

148º; a exclusão do segurado e cessação do contrato – artigos 83º e 84º; comportamento

doloso assegurado em caso de sinistro ou agravamento do risco – artigo 94º; falta dolosa

dos deveres relativos à participação do sinistro – artigos 100º e 101º; incumprimento do

dever civil de salvamento – artigo 126º; omissão fraudulenta dos deveres de informação

sobre a existência de múltiplos contractos de seguros – artigo. 133º; ato ou omissão que

prejudique o direito de sub-rogação do segurador – artigo 136º; a pluralidade de lesados –

19

O artigo refere os seguintes pontos: 1 - Quem receber ou fizer com que outra pessoa receba valor total ou parcialmente seguro: a) Provocando ou agravando sensivelmente resultado causado por acidente cujo risco estava coberto; b) Causando, a si próprio ou a outra pessoa, lesão da integridade física ou agravando as consequências de lesão da integridade física provocada por acidente cujo risco esteja coberto; é punido com pena de prisão até 3 anos ou com pena de multa. 2 - A tentativa é punível. 3 - O procedimento criminal depende de queixa. 4 - Se o prejuízo patrimonial provocado for: a) De valor elevado, o agente é punido com pena de prisão até 5 anos ou com pena de multa até 600 dias; b) De valor consideravelmente elevado, o agente é punido cm pena de prisão de 2 a 8 anos. 5 - É correspondentemente aplicável o disposto no artigo 206º (Restituição ou reparação)

17

artigo 142º e 180º e por fim situações de suicídio, homicídio e danos corporais provocados,

artigos 191º, 192º e 193º respectivamente.

É possível observar também os efeitos que surgem sob a forma de

nulidade/anulabilidade do contrato, a recusa de pagamento e/ou a redução da prestação

concedida, o exercício do direito de regresso ou a negação da cobertura por parte da

instituição seguradora. É relevante destacar ainda a instituição da Norma Regulamentar nº

10/2009-R, em 25 de Junho de 2009 (ISP), ao abrigo do artigo 131º-F do Decreto-Lei 94-

B/98, de 17 de Abril, aditado pelo Decreto-Lei 2/2009, de 5 de Janeiro, estabelecendo a

obrigatoriedade das empresas seguradoras implementarem práticas antifraude, sendo

estas baseadas na detecção, prevenção e denuncia de situações de fraude nas

seguradoras, assim como uma definição regulamentar da mesma, estando a sua génese

aplicada a qualquer fase do ciclo de vida da apólice e não somente à ocorrência do sinistro,

como acontece actualmente. (Brites, 2006; Decreto-Lei n.º 72/2008, de 16 de Abril)

Em síntese, é possível analisar a complexidade judicial do fenómeno da fraude nas

seguradoras em Portugal e verificar existe ainda muito trabalho a fazer no que toca à

regulação deste crime por parte das entidades jurídicas.

b) A fraude no seguro automóvel

O seguro automóvel é um dos produtos das seguradoras, no ramo não vida, mais

afectado pela utilização de práticas fraudulentas. Existem vários factores que contribuem

para esta situação, primeiro pelo facto de ser um seguro de cobertura obrigatória20,

atendendo às características do veículo, do tipo de contrato, do produto adquirido com

multiplicidade de coberturas e à necessidade de cobertura de danos materiais e corporais

causados a terceiros e a ocupantes do veículo (com excepção do condutor) e por último

pelo facto de estar presente num mercado completamente massificado em toda a

sociedade, que é o sector automóvel. (Derrig, 2002; Viaene e Dedene, 2004; ISP, 2011).

Estudos efectuados por Tennyson (1997 e 2002) demostram que o seguro automóvel

é dos produtos mais vendidos e consequentemente participados, classificado pelos

segurados como sendo o seguro onde a probabilidade de fraude é a mais elevada. 20

Em Portugal, tornou-se obrigatório a partir de 1 de Janeiro de 1980, o seguro de responsabilidade civil automóvel, publicado no decreto-lei nº 408/1979 de 25 de Setembro, onde no presente dia se encontra no enquadramento legal no decreto-lei nº 291/2007, de 21 de Agosto.

18

Em Portugal não existem quaisquer indicadores precisos sobre a fraude nas

seguradoras, nomeadamente quanto à sua extensão, assim como estudos publicados sobre

este assunto, visto que só durante a primeira década do século XXI é que as empresas de

seguros despertaram para um dos verdadeiros problemas da actividade seguradora, que é

a fraude nos seguros automóveis. (Martins, 2006).

Assim como a fraude nas seguradoras em geral, a fraude nos seguros automóveis

pode dividir-se em (1) fraude oportunista (soft fraud) e (2) fraude planeada. Na fraude

oportunista predominam as acções não verídicas, como a omissão de factos relevantes

com o intuito de induzir a entidade seguradora em erro e com o objectivo de ganhar

financeiramente de forma indevida, em qualquer fase do contrato, assim como a fraude

planeada, (hard fraud). É possível caracterizar a fraude oportunista em todas as fases da

duração do contrato, seja na fase de subscrição da apólice, onde são efectuadas

declarações de informações falsas, na assinatura do contrato, destacando dados pessoais

incorrectos seja a data de nascimento, o historial do condutor ou a residência do mesmo e

também na fase de subscrição da apólice após a ocorrência do sinistro, para que o mesmo

seja participado logo de seguida. Isto é, durante a fase de informação/participação do

sinistro surge a sobrevalorização no que diz respeito ao valor dos danos corporais e/ou

materiais, a participação de danos anteriores ao sinistro, a falsificação de facturas e a

deturpação dos factos ocorridos. No que toca à fraude planeada, é possível verificar a

participação de sinistros que nada têm a ver com as coberturas incluídas no contrato de

seguro. São participados casos como roubo, incêndio ou furto, a participação de um

sinistro ocorrido que fora efectuado premonitoriamente e por fim, a troca do número de

identificação do veículo (NIV), que se baseia na venda de um veículo acidentado, sendo

este reportado à seguradora como reparado e, de seguida a utilização do NIV deste num

carro roubado, da mesma marca e modelo (Tennyson, 2002; Brites, 2006; Derrig et. Al.,

2006; Gilberto, 2010; Lesch and Brinkmann, 2011).

É importante salientar que para perpetuação de acções fraudulentas contribuem

também factores como a cumplicidade entre o segurado e as oficinais de automóveis

(aquando da existência de danos materiais); e/ou a cumplicidade entre o segurado e os

serviços médicos (no caso dos danos corporais) que leva à sobrevalorização dos danos

reportados no sinistro, também os danos corporais do foro psicológico levam a uma

19

sobrevalorização, visto a existência da dificuldade da avaliação na existência do dano

participado; o número de sinistros contemplando apenas uma viatura (elevando assim a

probabilidade de não haver qualquer testemunha) e por fim o número elevado de carros

roubados aquando da cobertura do mesmo pelo seguro (Clark, 1989; IRC, 1991 e 1993;

Cummins e Tennyson, 1996; Carroll e Abrahamse, 2001; Dionne e Gagné, 2002; Tennyson,

2008; Gilberto, 2010).

Existem assim várias técnicas analíticas (Figura 1), para a detecção de casos de fraude

nas seguradoras, enumerando (i) as regras de negócio, onde se incluí a estratificação dos

números para detectar dados não usuais, bem como a junção de dados de diferentes

fontes para identificar padrões; o teste de valores duplicados e a validação de datas, para a

identificação de datas incomuns, (ii) a detecção de anomalias, onde vários indicadores de

performance chave são elaborados com determinados limites, onde os alertas tocam

quando estes são ultrapassados, por exemplo a detecção de outliers, (iii) a utilização

técnicas de data mining, como o clustering, a classificação, a previsão, a regressão ou a

visualização (iv) a utilização de text mining e por fim (v) a implementação de Social

Network Analysis ou redes, ou seja a implantação de redes ou relações entre indivíduos e

entidades suspeitas de fraude. (Balasubramanian & Sithic, 2013; ACL, 2014; SAS, 2012).

Figura 1 – Aplicação de técnicas antifraude para os diferentes casos de fraude nas seguradoras. (SAS,

2012)

20

Em resumo, a complexidade do fenómeno da fraude no seguro automóvel acarreta

diversos problemas associados, os quais demonstram que a sociedade, apesar das recentes

evoluções no campo jurídico, não consegue lidar com este problema da forma mais eficaz e

eficiente.

c) Redes

a. As ciências da complexidade

A criação de redes entre indivíduos deriva das ciências da complexidade ou seja,

sistemas naturais que apresentam um comportamento estrutural, onde não é possível

prever facilmente a dinâmicas dos agentes que os compõem de forma isolada. Apesar de

estas possuírem características estruturais comuns, exemplificando algumas ideias

unificadoras como a teoria limiar do caos ou a criticalidade auto-organizada, não é de todo

possível obter uma teoria unificada satisfatória que descreva os sistemas complexos e toda

a sua complexidade, pois existem pelo menos duas propriedades consensuais em relação à

sua caracterização, sejam estas a dificuldade de previsão do comportamento do sistema e

a criação da estrutura de relações. Neste contexto, são considerados sistemas complexos

uma vez que os sistemas simples21 apresentam resultados erráticos e imprevisíveis e

também os quais apresentam uma complexidade associada à criação de estruturas

derivada da caracterização do comportamento emergente dos sistemas complexos22, pois

as estruturas criadas são tão ricas e diversas quando o sistema se encontra num processo

de transição para a imprevisibilidade absoluta, onde é possível caracterizar a ocorrência de

transições de fase a quando existem pequenas variações nos parâmetros quantitativos do

sistema leva a grandes variações qualitativas, o que também pode ser descrito como a lei

de potencia (Mendes, 1998)

Os sistemas complexos são orientados por várias propriedades fundamentais, entre

elas a interdependência23 dos elementos do sistema, a emergência24 de novas propriedades

21

São considerados sistemas simples os quais apresentam poucos graus de liberdade e são determinados por equações bem delineadas. 22

São considerados sistemas complexos devido ao seu elevado número de graus de liberdade. 23

A reacção de cada um dos agentes está fortemente condicionada com o comportamento dos restantes, sendo que é muito difícil de prever. 24

Por exemplo, a auto-organização dinâmica, que é um termo utilizado para descrever a relação da dinâmica colectiva com as dinâmicas individuais.

21

do sistema como um todo, a não-linearidade25, a caoticidade26, a universalidade27 e por fim

a auto-semelhança, que correspondem ao resultado de um processo recursivo onde as

interacções entre os elementos do sistema complexo criam novas estruturas também

complexas. Apesar de este conceito ser um dos mais populares na área dos sistemas

complexos, devido principalmente à sua participação na descrição de objectos fractais, é a

auto-dessemelhança que melhor captura a complexidade natural dos sistemas, devido à

informação adicional necessária para quantificar o sistema numa nova escala. (Araújo,

2006)

Assim, é possível verificar que a problemática das redes surge da necessidade da

interpretação de vários fenómenos naturais e humanos, os quais as soluções tradicionais

mais simplificadas não conseguem encontrar resposta.

b. Contextualização histórica

A origem do estudo das redes, ou Teoria dos Grafos, remota ao século XVIII onde é

iniciada por Leonard Euler e o seu problema das sete pontes de Königsberg28. Neste

problema existem duas grandes ilhas, que juntas formavam um conjunto de quatro

grandes bocados de terras, os quais eram ligados por sete pontes (Figura 2.)

Figura 2 - As sete pontes de Königsberg e a origem da Teoria dos Grafos (Mendes, 2006)

25

Tem consequências práticas de extrema relevância, principalmente ao nível social e económico, pois a duplicação de uma variável, num sistema que se espera um determinado comportamento, não significa duplicar o valor da resposta. Esta é a propriedade mais utilizada na caracterização de sistemas complexos pois significa que os mesmos não podem ser vistos como uma sobreposição dos comportamentos elementares dos seus constituintes. 26

Caso particular da criação de estrutura. 27

Também pode ser descrita através de lei de escala. 28

Actualmente a cidade chama-se Kaliningrado.

22

Segundo Euler, não é possível atravessar as sete pontes, apenas uma vez e terminar o

percurso na margem escolhida para a partida, onde tal resultado apenas seria possível caso

cada margem possua um número par de pontes. Isto pretende demonstrar assim a

diferença entre as abordagens geométrica e topológica29, onde é possível verificar que este

problema se restringe a uma rede com quatro nodos e sete ligações. (Figura 3.) (Newman,

2003)

Figura 3 - Ilustração da rede (Mendes, 2006)

Mais recentemente, no século XX, dois matemáticos húngaros, Paul Erdös e Alfred

Rényi, iniciam o estudo dos mecanismos de formação de redes aleatórias, concluindo que

existem duas classes redes perfeitamente destintas, as redes regulares e as redes

aleatórias. Nas redes aleatória não existe qualquer padrão no estabelecimento de ligações

e as mesmas dependem de dois factores, sendo estes o coeficiente de agregação30, ou

clustering e o caminho médio mais curto31, também conhecido como characteristc path

lenght. (Araújo, 2006)

Em 1967, o cientista Stanley Milgram concebeu a primeira teoria sobre o que seria

conhecido como as redes small world32 (SW), onde o mesmo afirma que todos os

indivíduos americanos estavam separados, em média, por apenas seis intermediários.

Contudo, a mesma teoria aplicada aos actores de Hollywood, sendo a definição “tendo

participado no mesmo filme”, era uma média de apenas três intermediários, e desta forma

demostrou o poder desta nova classe de redes no domínio dos problemas das ciências

sociais. (Watts, 1991; Albert e Barabási, 2002; Blass, 2002)

29

Não incide sobre a forma ou posição exacta dos objectos mas sim sobre as ligações estabelecidas entre os seus elementos. 30

Probabilidade de, para cada elemento da rede, os pares de elementos a ele ligados estarem conectados entre si. 31

Número médio de ligações necessárias para ligar cada par de elemento da rede. 32

Classe de redes onde as mesmas são caracterizadas por reunir propriedades opostas, que poderiam ser consideradas até impossíveis de representar na mesma estrutura, obtém um elevado valor de coeficiente de

23

Posto isto, é possível verificar que as teorias matemáticas sobre as redes são

relativamente recentes na história da matemática, com cerca de apenas 300 anos, e que a

sua evolução ficou sempre marcada com a aproximação aos problemas das ciências sociais,

tentando desta maneira soluciona-los.

d) Tipologias de redes

As redes podem ser definidas como a arquitectura da complexidade (Barabási, 2001),

e a sua complexidade é arquitectada sobre hierarquias, sendo um tipo específico de rede e

cuja ubiquidade é notória, sendo frequentemente encontrada tanto nas ciências socias

como na física ou na economia (Simon, 1969). Para isto, Araújo (2006) contribui com o

facto de as redes estarem assentes em duas propriedades principais dos sistemas

complexos, a interdependência e a emergência, o que faz com que a análise recaia

principalmente sobre as ligações entre os indivíduos, relegando para segundo plano os

demais atributos acessórios e complementares.

Ainda segundo Araújo (2006), existem três formas distintas de estudar os sistemas

em rede, (1) o primeiro tipo de estudo assenta sobre a estrutura do sistema em rede,

procurando quantificar os coeficientes topológicos separadamente, como as redes

aleatórias; (2) o segundo tipo de estudo assenta sobre a dinâmica onde se pretende

caracterizar quais os tipos de comportamentos mais prováveis a serem observados naquela

estrutura, exemplo disso são as redes small world, e por fim (3) o estudo da evolução da

própria rede que muda com o tempo, como as estruturas free-scale.

Mendes (2006) afirma que a criação de estruturas modulares derivam de três

mecanismos complementares do processo selectivo, em primeiro lugar o facto de a

dinâmica das interacções entre os agentes e entre si e o ambiente origina um número

possível de estruturas; em segundo lugar a certeza de que a competição entre as

estruturas selecciona a mais viável, com base nas funcionalidades exibidas por certos

módulos cooperantes entre si e por fim o caso de, em igualdade de circunstâncias, os

simples acasos ou ambientes exteriores, podem originar acidentes que condicionam a

permanência ou não das estruturas criadas.

agregação devido as seu baixo valor do seu caminho médio. O interesse por estas aumenta devido principalmente à sua ubiquidade.

24

Em termos genéricos, uma rede corresponde a um conjunto G, sendo esta

constituída por um par de conjuntos G = {N,L}, onde N é o conjunto dos nodos da rede, N1,

N2,…,NM e L o conjunto das ligações entre os nodos, sendo que o grau (gi), do nodo Ni,

corresponde ao número de ligações nas quais Ni participa, o grau (g) de uma rede G

corresponde à média aritmética dos graus de todos os nodos de G e os valores de

agregação (CG) e do caminho mais curto (PG) de uma rede G correspondem efectivamente

às médias aritméticas dos valores obtidos para cada coeficiente medido para cada nodo de

G. O valor de Pi, que é conhecido como o sendo o caminho médio mais curto do nodo i a

todos os outros nodos, é também dado pela média aritmética do numero de conexões

necessárias para ligar o nodo em causa aos restantes nodos da rede, sendo que o seu limite

inferior é Pi ≥ 1 e quando a rede não possui conexões, Pi = ∞, visto que todos os nodos

estão “desligados”. Assim, designando o número de vizinhos do nodo i por vi,

correspondendo ao conjunto de nodos ligados directamente ao nodo i, o coeficiente de

agregação Ci é dado pela Formula 1, Onde E(vi) corresponde ao número limite de conexões

existentes entre os elementos de vi. É de relevância referir ainda que, nas redes aleatórias,

os coeficientes CG e PG, possuem em valor baixo a quando da comparação com as redes

regulares, pois as mesmas apresentam um alto coeficiente de agregação, assim como

caminho médio. Assim sendo, a existência de um caminho médio curto entre todos os

elementos da rede beneficia todas as funcionalidades associadas ao encurtamento de

distâncias, sejam elas geográficas ou topológicas, em contraponto, o elevado valor para o

coeficiente de agregação revela a presença de ligações redundantes, favorecendo a

possibilidade de substituição de funcionalidades no caso de erros ou a avarias referentes a

falhas de ligações33. (Araújo, 2006)

Formula 1: Coeficiente de agregação genérico

No entanto, segundo Watts (1999), as redes do tipo small world são resultantes de

um mecanismo que faz a interpolação entre a ordem, que é representada por uma rede

absolutamente regular, e a desordem, também considerada como a rede aleatória. Este

33

Referencia a redes de electricidade ou de transporte domestico.

25

mecanismo de interpolação tem um único parâmetro β, que significa a probabilidade de

cada nodo da rede alterar de vizinhos durante o processo de rewiring.

Na Figura 4 é possível verificar que no primeiro anel, onde β = 0, a rede apresenta

uma estrutura regular e um coeficiente de agregação alto como nas redes regulares, onde

cada nodo está ligado aos seus quatro vizinhos. Para 0 < β < 1, é possível visualizar que os

nodos vão-se desligando dos seu vizinhos e ligando a outros aleatoriamente assim como

uma diminuição progressiva do coeficiente de agregação. Por fim para β = 1 verifica-se uma

rede onde as suas ligações foram estabelecidas de forma totalmente aleatória,

apresentando um coeficiente de agregação tão baixo quanto as redes aleatórias.

Figura 4 – Descrição visual do processo de rewiring (Fonte: Araújo, 2006)

Em termos comparativos, segundo Araújo (2006), tanto nas redes aleatórias como

nas redes small world, a distância média mais curta entre os nodos da rede é o valor

aproximado do logaritmo natural do número de nodos (M) da rede (Formula 2), contudo os

dois tipos de redes divergem em relação ao coeficiente de agregação, enquanto nas redes

aleatórias a probabilidade de dois nodos se encontrarem conectados é dado pelo grau

médio da rede (Formula 3).

Formula 2 – Distancia média mais curta.

26

Formula 3 - Grau médio da rede.

Todavia, nas redes small world o coeficiente de agregação é elevado como nas redes

regulares, sendo obtido através de:

(

)

Formula 4 – Coeficiente de agregação das redes small world.

No entanto, também as redes com invariância de escala, ou scale-free, são

caracterizadas por terem um caminho médio curto mais baixo. Estas funcionam através de

um mecanismo de crescimento da rede, que é efectuado através do estabelecimento de

ligações preferenciais, que de acordo com o mesmo as ligações vão sendo criadas numa

rede preferencialmente entres os nodos com um número elevado de ligações, sendo que

os nodos vão sendo adicionados à medida que a rede cresce pois a mesma é iniciada com

poucos nodos assim como ligações (mo). A cada iteração são adicionados novos nodos e

com este novas m <= m0 ligações, as quais são estabelecidas entre os nodos recém-criados

com os que possuem maior número de ligações, onde o coeficiente R(gi), (Formula 5)

significa a probabilidade do nodo i, de grau gi, ser destino ou origem de uma nova ligação.

Porem, apesar de se conhecer o exponente característico da distribuição dos graus da

rede, para este mecanismo de crescimento com ligações preferências, o mesmo não

depende do único parâmetro (m) que é empregue na construção da mesma. (Albert e

Barabási, 2002)

∑

Formula 5 - Coeficiente R(gi).

Resumindo, verifica-se assim que a criação de redes não é o simples resultado de um

mecanismo de selecção sobre um número de transformações aleatórias, mas sim o

resultado de um produto complexo onde os parâmetros selectivos, o factor da

27

aleatoriedade, assim como a auto organização se unem para formar o complexo estrutural

em causa.

28

III. Metodologia

a) Descrição da Investigação

A escolha do método científico que descreve a escolha de acções sistemáticas sobre

a qual a situação em estudo seja descrita e explicada assenta em dois factores: (1) a

natureza do objectivo da sua aplicação e se o objectivo tem em conta o estudo em

questão. (Fachin, 2001) Posto isto, o método cientifico mais apropriado para a investigação

em curso é o caso de estudo pois, o mesmo consiste na observação de um fenómeno que

ocorre no seu ambiente natural onde os dados obtidos a partir da sua observação, sendo

que para Yin (1994) é aplicável o método do caso de estudo quando o investigador

encontra dificuldades em salientar as variáveis que são consideradas importantes para a

investigação e quando o objectivo do mesmo é a análise e descrição do fenómeno de uma

forma profunda e global.

Então, segundo Yin (1994), um caso de estudo pode ser definido com base nas

características do objecto de estudo, assim como as características associadas ao processo

de recolha de dados e às possibilidades de estratégias de análise dos mesmos, onde este

possui o objectivo de explicação, descrição ou exploração de um fenómeno. O mesmo

refere ainda que o plano de investigação do caso de estudo é muito demorado e que o

mesmo apresenta falta de rigor apesar de ser possível provar a validade do estudo. Já Fidel

(1992) por seu lado, afirma que um caso de estudo pode ser considerado como um método

específico da pesquisa de campo, sedo que este tipo de pesquisas são investigações de

ocorrências que vão acontecendo independentemente do investigador. Ainda segundo

este, o caso de estudo objectiva na compreensão do objecto em análise assim como no

desenvolvimento de teorias genéricas sobre o fenómeno estudado.

O objecto de estudo desta investigação centra-se, como referido anteriormente,

numa amostra de uma base de dados com registos sobre casos de accionamento de

apólices fraudulentas e não fraudulentas de três companhias de seguro do ramo não vida

que operam no mercado português, cujos nomes não serão revelados por questões de

confidencialidade. A amostra foi obtida através da aplicação de técnicas com base nas

regras de negócio e detecção de outliers, como demostrado pela Figura1, sendo esta

composta por 355.483 observações com um total de 407 variáveis e extraída entre 2 de

29

Janeiro de 2009 e 10 de Dezembro 2012. Foram escolhidas para análise as seguintes

variáveis da amostra:

Variavel: Descrição Funcional:

NUM_Antig_Policy Antiguidade da Apólice Original em meses NUM_Antig_Alt_Policy Antiguidade da última alteração nas coberturas da apólice Perc_Policy_Exposure Valor Seguro total nesta Apólice (Em % do valor mais alto - 25%, 50% e 75%) VAL_Prop_Exposure Valor Seguro do Veiculo COD_Claim_Time Hora do Sinistro M:07h.12h, T:12h.20h, N:00h.07h, PN:20h.24h, S (sem info) FLG_Claim_Wkend Se o Sinistro ocorreu ou não durante um Final de Semana ou Feriado COD_Claim_Loc_Type Tipo de Local onde se deu o Acidente COD_Claim_Loc_Nuts NUT onde se deu o Acidente FLG_Claim_Overseas Se o Sinistro ocorreu no Estrangeiro ou em Portugal FLG_Claim_Insured Se o Tomador é reclamante FLG_Claim_Police_Rep Se existiu ou não Intervenção das Autoridades FLG_Claim_Injured Se existiu ou não Danos Corporais FLG_Claim_Witness Se existiram ou não testemunhas COD_NAT_CI Nacionalidade do Segurado COD_Gender_CI Sexo do Segurado COD_Occupation_CI Profissão do Segurado COD_INJ_Nature_CI Natureza da Lesão no Segurado COD_VI_MM Marca e Modelo Veiculo Segurado COD_VI_TYPE Tipo do Veiculo Segurado VAL_VI_INSURED_VALUE Valor Seguro do Veiculo Segurado ID_Vehicle_V1 Identificador do Veiculo 1 NUM_VI_ENGINE Cilindrada do Veiculo Seguro NUM_V1_KM Quilometragem do Veiculo 1 NUM_V1_Age_FR Número de Anos de Antiguidade do Veiculo 1 ao Ano de Construção COD_V1_MM Marca e Modelo Veiculo 1 COD_V1_TYPE Tipo do Veiculo 1 ID_Vehicle_V2 Identificador do Veiculo 2 NUM_V2_KM Quilometragem do Veiculo 2 COD_V2_MM Marca e Modelo Veiculo 2 COD_V2_TYPE Tipo do Veiculo 2 NUM_V2_ENGINE Cilindrada do Veiculo 2 NUM_V2_Prior_Lines Número de Sinistros anteriores envolvendo o Veiculo 2 NUM_Days_Incept Dias decorridos entre o Sinistro e a notificação da ocorrência FLG_PC_Providers_CI Indicador se há Sinistros anteriores envolvendo o Segurado e Oficina FLG_VI_Chose_Garage Indicador Cliente Veiculo Segurado escolheu a oficina FLG_VI_Repair_PFraud Indicador se oficina associada ao Veiculo Segurado teve fraudes anteriores FLG_PC_V1_Provider Indicador se há Sinistros anteriores envolvendo a oficina do Veiculo 1 FLG_Susp_Fraud Indicador de suspeita de fraude FLG_Conf_Fraud Indicador de fraude provada

Tabela 1 – Enumeração e descrição das 39 variáveis em utilização

30

As 39 variáveis, Tabela 1, foram escolhidas segundo a bibliografia, para Derrig et. Al.

(2006) e Cialdini (1989) onde os factores socioeconómicos como a profissão do segurado

características do automóvel entram em consideração assim como a localização geográfica,

local onde ocorre o acidente assim como a fase do dia em que o mesmo acontece, o

género do segurado, a natureza da perda e o contexto do seguro que foram também

seleccionadas. Também as oficinas e o tipo de seguro surgem aqui como um factor

importante no processo de fraude segundo Dionne e Gagné (2002) assim com Tennyson

(2008);

A realização deste estudo será efectuada com base na análise e segmentação dos

diversos tipos de cliente em quatro segmentos distintos34 e posterior construção de rede.

Esta será construída através da ligação entre elementos compartilhados dos segmentos

para assim ser possível analisar as relações semelhantes entre os conjuntos anteriormente

criados para a construção mais exacta de um padrão com as características de cliente

fraudulento, colocando assim em hipót ese as técnicas utilizadas para a detecção pelas

instituições seguradoras para verificação de casos de fraude.

34

Os quais o cliente é não-suspeito e não-confirmado, não-suspeito e confirmado, suspeito e não confirmado e suspeito e confirmado.

31

IV. Resultados

Como referido no capítulo anterior, esta investigação tem como ponto de partida a

análise de uma amostra de uma base de dados proveniente de três seguradoras que opera

no mercado de seguros não vida português, identificada a partir de técnicas aplicadas

como as regras de negócio e detecção de outliers, dando origem a duas variáveis alvo

relevantes, o indicador de suspeita de fraude (FLG_Susp_Fraud) e o Indicador de fraude

provada (FLG_Conf_Fraud).

a) Segmentação e análise da amostra

O primeiro passo para uma análise mais eficaz passou por segmentar a amostra em

quatro subamostras utilizando as variáveis em cima referidas enumerando: (1) os casos

onde as apólices não são suspeitas de fraude nem efectuaram efectivamente fraude

(FLG_Susp_Fraud = 0 & FLG_Conf_Fraud = 0), (2) os casos onde as apólices são suspeitas

mas não confirmam fraude (FLG_Susp_Fraud = 0 & FLG_Conf_Fraud = 1), (3) os casos das

apólices que não são suspeitas mas confirmaram acções fraudulentas (FLG_Susp_Fraud = 1

& FLG_Conf_Fraud = 0) e por fim, (4) os casos onde as apólices são suspeitas e

efectivamente ocorreram acções fraudulentas (FLG_Susp_Fraud = 1 & FLG_Conf_Fraud =

1). Das 355.483 observações iniciais foram distribuídas 353.816 para o segmento 1, 1.539

no segmento 2, 47 presentes no segmento 3 e 81 no segmento 4.

O segmento 1 é caracterizado por possuir uma amostra onde as apólices possuem uma

duração média de 2 anos até à ocorrência do sinistro em questão, com as apólices a

situarem-se junto do valor médio seguro para o total da base de dados. Este é composto

essencialmente por veículos ligeiros de passageiros, 97.4%, pertencerem a classes de gama

média como a Ford, a Opel, a Renault e a Peugeot, com um valor médio no intervalo entre

8500€ e os 24500€, uma idade média de 12 anos, uma cilindrada entre no intervalo entre

os 750 e 1600 CC e onde o tomador de seguro não é reclamante da apólice em cerca de

97% dos casos. Os sinistros ocorreram maioritariamente durante o período da tarde, entre

as 12h e 20h, cerca de 23,5% do total, e durante a tarde com uma percentagem de 19%,

ocorrendo em dias de semana, com cerca de 78% do total, em Portugal continental mais

especificamente nas zonas do grande Porto e Lisboa, constituindo o seu conjunto 47% do

total. Existem também muitos poucos danos corporais, em aproximadamente 3,5% das

32

apólices reportadas, assim como qualquer intervenção das autoridades, com apenas 0.78%

dos reportes obtiveram, ou quaisquer testemunhas do sinistro, apenas 0.1% dos casos

tiveram testemunhas, e uma média de reporte do mesmo à seguradora de 24 dias. Em

relação às oficinas, todos os segurados escolheram qual a oficina para a qual decidiram

arranjar o veículo, que são não reincidentes na escolha, apenas 3.6% dos sinistrados

voltaram a escolher oficinas escolhidas em sinistros anteriores, mas onde as mesmas

possuem um indicador de como foi comprovado um acto de fraude anterior de cerca de

2.1%. Por fim, os sinistrados caracterizam-se por serem maioritariamente do género

masculino, 53.3%, de nacionalidade portuguesa, 73% contra os 0.5% de estrangeiros, com

pouca informação sobre a sua profissão, Apenas é conhecida para 2.9% dos casos. As

lesões que estes contraíram do sinistro foram maioritariamente lesões superficiais, 34%,

contudo referir ainda um elevado conjunto de lesões não especificadas, 46.9%. (Anexos:

Tabelas 2 – 26, Gráficos: 1 - 20)

Por sua vez, o segmento 2 caracteriza-se por obter uma duração média por apólice de

cerca de 18 meses até à ocorrência e posicionando-se também junto do valor médio do

valor seguro pela apólice. Este é composto essencialmente por veículos ligeiros, 94.1%,

mas com uma pequena percentagem significativa para os veículos de mercadorias, cerca

de 4,5% do total, estes pertencem a uma maioria de gama média alta como a Mercedes e a

AUDI, mas também com veículos de gama média como a Opel e a Renault, com valores de

mercado entre os 10000€ e os 50000€ na sua maioria, com uma idade média de 6 anos,

mas sem informação sobre a sua cilindrada. Os sinistros em questão ocorreram na sua

maioria no período compreendido entre as 00h e as 07h da manha,43.08% do total contra

os 20% que não tem qualquer tipo de informação sobre o horário a que ocorreram e os

1.9% dos que ocorreram no período da tarde entre as 12h e as 20h. Estes surgiram durante

os dias de semana,74%, onde cerca de 50% ocorreram em Portugal continental, mais

precisamente nas regiões da grande Lisboa, grande Porto, Cávado, Tâmega, Ave, Península

de Setúbal e Algarve, onde em 11% dos mesmos existiram danos corporais mas em todos

os casos sem intervenção das autoridades ou quaisquer testemunhas, verifica-se também

que sinistrado não é o reclamante da apólice em 100% dos casos. O tempo médio de

reporte à companhia de seguros do sinistro foi cerca de 14 dias após a ocorrência do

sinistro em questão. No que toca às oficinas, todos os sinistratos escolheram as suas

oficinas e nenhumas das escolhidas foi associada a fraude anteriores, sendo que também

33

na totalidade dos casos a oficina não tinha sido seleccionada em casos anteriores. Para

finalizar, os sinistrados são do género masculino portugueses na sua maioria, 70% e 79%

respectivamente, com pouca informação sobre a sua ocupação, esta apenas é conhecida

para 3% dos casos. (Anexos: Tabelas 27 – 51, Gráficos: 21 - 40)

Já o segmento 3, é caracterizado por a apólice ter uma duração média de um ano desde

que foi efectuada até à ocorrência do sinistro, pertencendo principalmente ao intervalo

dos 25% mais baixo do valor seguro total,78%, sendo este composto principalmente por

veículos ligeiros mas com uma percentagem bastante significativa, cerca de 19%, de

veículos de mercadorias, segmentados uniformemente pelas diversas gamas de marcas

automóveis, com pouca informação sobre o seu valor de mercado, e uma idade média de

cerca de 4 anos. Não existe informação sobre qual o período temporal de quando

ocorreram os mesmo, apenas é descrito que ocorreram em Portugal Continental, quase

totalmente ao dia de semana,78.7%, onde 36.2% dos mesmo na região da grande Lisboa e

10.6% na região do grande Porto, sem existir qualquer intervenção das autoridades, onde

19.1% dos mesmos foram registados danos corporais, sem a existência de testemunhas e

com uma média de comunicação à seguradora de cerca de 4 dias. Relativamente às

oficinas, em todos os casos os sinistrados escolheram a oficina e em qualquer das

escolhidas foi associada a fraudes anteriores. Na caracterização dos sinistrados volta-se a

verificar uma predominância de indivíduos do género masculino, 72% do total, com

nacionalidade portuguesa, 30%, no entanto existo cerca de 64% dos mesmos onde não

existe informação sobre qual a sua nacionalidade, um quase total desconhecimento sobre

qual a sua ocupação, 97%, assim como de alguma lesão contraída durante o sinistro.

(Anexos: Tabelas 52 – 77, Gráficos: 41 - 60)

Por fim, o segmento 4 possui uma média de duração da apólice até ao acidente de

cerca de 18 meses, pertencente ao intervalo dos 25% do valor seguro total pela apólice. Os

veículos em questão são pertencentes à classe ligeiros, cerca de 77%, e à classe

mercadorias com 21%, com predominâncias das marcas Mercedes, Opel, Toyota, Honda e

Peugeot e uma idade média de 5 anos. Também não existe informação sobre qual foi a

hora aos quais os sinistros ocorreram, mas existem informação que estes ocorreram

principalmente em Portugal, nomeadamente na grande Lisboa e no grande Porto fazendo

34.5% do total, principalmente durante os dias de semana, cerca de 71.6% dos casos, sem

34

qualquer intervenção por parte das autoridades, onde apenas existiu danos corporais em

cerca de 12.3% dos sinistros, não existiram quaisquer testemunhas e o reporte à

seguradora foi feito numa média de 6 dias. Relativamente às oficinas, todos os segurados

escolheram qual a sua oficina e 6% destas tinham sido identificadas como fraudulentas em

sinistros anteriores. Sobre o sinistrado, volta-se a verificar a predominância do género

masculino de nacionalidade portuguesa,70.9% e 36.36% respectivamente, contudo volta-se

a verificar pouca informação sobre esta variável e um total desconhecimento sobre a sua

ocupação. (Anexos: Tabelas 78 – 102, Gráficos: 61 - 80).

b) Criação de matriz de semelhança

Para a criação da rede foi necessário analisar o comportamento de cada segmento para

poder construir as possíveis relações que estes possuem entre eles. Para isso foi criada

uma matriz de semelhança que permita relacionar comportamentos semelhantes de forma

a quê seja possível uma identificação mais imediata dos valores comuns, será utilizada a

média para as variáveis numéricas e a frequência para as variáveis caracter, sendo que

para cada variável não única será criada uma matriz de semelhança.

Assim, após a criação das matrizes é possível verificar que a variável que possuem

relações entre segmentos é a antiguidade da apólice original em meses

(NUM_Antig_Act_Policy), cuja média dos valores é aproximadamente comum entre os

segmentos 2 e 4, ou seja, em ambos o segmentos, a média para o número de meses desde

o a criação apólice até à ocorrência do sinistro é cerca de 18 meses.

NUM_Antig_Act_Policy Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 - 0 0 0

Segmento 2 0 - 0 1

Segmento 3 0 0 - 0

Segmento 4 0 1 0 -

Matriz 1 – Relação da variável NUM_Antig_Act_Policy entre segmentos.

A segunda variável que aparece é a antiguidade da última alteração nas coberturas da

apólice (NUM_Antig_Alt_Policy), sendo que a sua média é semelhante entre os segmentos

3 e 4 principalmente, com valores à volta dos 163 dias.

35

NUM_Antig_Alt_Policy Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 - 0 0 0

Segmento 2 0 - 0 0

Segmento 3 0 0 - 1

Segmento 4 0 0 1 -

Matriz 2 – Relação da variável NUM_Antig_Alt_Policy entre segmentos.

De seguida surge a variável que revela o valor seguro do veículo (VAL_Prop_Exposure),

demostrando uma relação dos segmentos 2 e 3, com valores semelhantes a rondar os

3400€.

VAL_Prop_Exposure Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 - 0 0 0

Segmento 2 0 - 1 0

Segmento 3 0 1 - 0

Segmento 4 0 0 0 -

Matriz 3 – Relação da variável VAL_Prop_Exposure entre segmentos.

Verifica-se também valores semelhantes entre segmentos na variável que revela a hora

do sinistro (COD_Claim_Time), nomeadamente entre os segmentos 1, 3 e 4

nomeadamente no valor S – Sem informação, da hora de ocorrência do sinistro.

COD_Claim_Time Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 - 0 1 1

Segmento 2 0 - 0 0

Segmento 3 1 0 - 1

Segmento 4 1 0 1 -

Matriz 4 – Relação da variável COD_Claim_Time entre segmentos.

A variável que se segue é o número de anos de antiguidade do veículo 1 ao ano de

Construção (NUM_V1_Age_FR), com valores semelhantes entre os segmentos 3 e 4

referindo uma antiguidade do veículo 1 do sinistro entre os 4 e 5 anos.

NUM_V1_Age_FR Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 - 0 0 0

Segmento 2 0 - 0 0

Segmento 3 0 0 - 1

Segmento 4 0 0 1 -

Matriz 5 – Relação da variável NUM_V1_Age_FR entre segmentos.

Por fim, também a variável que dita a Nacionalidade do segurado (COD_NAT_CI) é

representada com relações entre segmentos, mais propriamente a ligação entre os

segmentos 1 e 2 e a ligação entre os 3 e 4 mais propriamente ao nível da frequência de

36

segurados portugueses nos segmentos 1 e 2, e o desconhecimento da nacionalidade da

grande maior parte dos segurados nos segmentos 3 e 4.

COD_NAT_CI Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 - 1 0 0

Segmento 2 1 - 0 0

Segmento 3 0 0 - 1

Segmento 4 0 0 1 -

Matriz 6 – Relação da variável COD_NAT_CI entre segmentos.

Assim, fazendo uma média simples das matrizes apresentadas em cima, verifica-se que

os segmentos 3 e 4 são os que aparecem relacionados mais vezes, em 66,67% dos casos.

% Relações Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 - 16.67% 0.00% 0.00%

Segmento 2 16.67% - 16.67% 16.67%

Segmento 3 0.00% 16.67% - 66.67%

Segmento 4 0.00% 16.67% 66.67% -

Matriz 7 – Percentagem das relações mais frequentes entre segmentos.

As restantes variáveis não referidas anteriormente possuem duas características, ou

obtém valores destintos em todos os segmentos, como a variável referente à natureza da

lesão no segurado (COD_INJ_Nature_C), as variáveis relacionadas com a potência dos

veículos (ENGINE) e as variáveis relacionadas com os quilómetros dos veículos no sinistro

(KM), ou possuem valores os mesmos valores mais frequentes ou com média semelhante

para todos os segmentos, exemplo as variáveis que referem se o Sinistro ocorreu ou não

num Final de Semana ou Feriado (FLG_Claim_Wkend), qual a NUT 3 onde se deu o

acidente (COD_Claim_Loc_Nuts), se o sinistro ocorreu no Estrangeiro ou Portugal

(FLG_Claim_Overseas), se o tomador é reclamante (FLG_Claim_Insured), se existiu ou não

intervenção das autoridades (FLG_Claim_Police_Rep), se existiu ou não danos corporais

(FLG_Claim_Injured), qual o género do segurado (COD_Gender_CI), se o cliente escolheu a

oficina (FLG_VI_Chose_Garage), se a oficina associada ao veiculo segurado teve fraudes

anteriores (FLG_VI_Repair_PFraud) e se os sinistros anteriores envolvendo a oficina do

veiculo 1 (FLG_PC_V1_Provider). Os resultados destas podem ser encontrados em anexo.

37

V. Conclusões

Após a análise dos segmentos, é possível criar a rede regular, do tipo small world, pois

esta assenta sobre a dinâmica onde se pretende caracterizar quais os tipos de

comportamentos mais prováveis a serem observados na estrutura, que interligue os

mesmos pelas variáveis com valores mais frequentes comuns. Posto isto, a seguinte rede

de relações é obtida:

Figura 4 – Materialização da Rede entre segmentos.

Em conclusão, verifica-se que, para a amostra em estudo, as características de se o

Sinistro ocorreu ou não num Final de Semana ou Feriado, qual a Nomenclatura de Unidade

Territorial (NUT) de nível 3 onde se deu o acidente, se o sinistro ocorreu no estrangeiro ou

em Portugal, se o tomador da apólice é reclamante, se existiu ou não Intervenção das

Autoridades, se existiram ou não Danos Corporais, o género do Segurado, se o cliente

escolheu a oficina, se a oficina associada ao veículo segurado teve fraudes anteriores e os

sinistros anteriores envolvendo a oficina do Veiculo 1 não são explicativas de factores

diferencias na rede pois estas são comuns a todos os segmentos, também nesta situação

mas em contraponto, encontram-se as características da natureza da lesão, do motor

(Engine) e dos quilómetros dos veículos (KM), pois estes obtém valores diferentes para

todos os segmentos.

38

No que toca a dados concretos, os segmentos 1 e 2 relacionam-se na medida em que

na sua maioria, a nacionalidade do tomador de seguros é portuguesa, no entanto, esta

relaciona também os segmentos 3 e 4 mas por esta se encontrar preenchida como

“desconhecido”.

O valor seguro pela apólice relaciona os segmentos 2 e 3, ou seja, os casos para os

quais os clientes apenas foram seleccionados ou como fraudulentos ou apenas como

suspeitos, apresentam valores semelhantes, cerca de 11000€. Em ambos os casos onde se

registam casos de fraude confirmada, segmento 2 e 4, a média da antiguidade da apólice é

a mesma, 18 meses, também juntando o segmento 3 aos dois anteriores não existe

informação sobre a hora de ocorrência do sinistro tanto para os casos confirmados de

fraude como para os casos apenas suspeitos.

A ligar os casos apenas suspeitos, segmento 3, com os casos suspeitos e confirmados,

segmento 4, está a ultima alteração às coberturas da apólice foi efectuada com o mesmo

número médio de dias, cerca de 111, assim como a idade do automóvel coberto, 4/5 anos,

pela apólice e a nacionalidade “desconhecida” dos clientes. Neste ultimo caso, não é

perceptível qual diferença entre significativa entre o segmento 3 e 4 questionando assim

como são aplicadas as técnicas de classificação por parte dos criadores da amostra, pois

para além dos valores comuns entre as variáveis que interceptam estes, as variáveis que

demostram independência de qualquer dos segmentos, obtém percentagem de valores

omissos bastantes elevados, na ordem dos 90%.

Na perspectiva deste investigador, é possível a aplicação deste tipo de metodologia a

outros casos da indústria seguradora no caso dos seguros automóveis, devido à facilidade

de implementação deste tipo de redes e na rapidez na elaboração e interpretação dos

resultados assim obtidos. Contudo, é necessário que a amostra em questão contenha pelo

menos, as variáveis que foram seleccionadas para o estudo desta amostra, e

principalmente, as variáveis indicadores dos casos de suspeita de fraude e os casos de

fraude confirmada. Também neste aspecto, é necessário que a amostra onde será

implementada a rede, contenha um número de registo significativo para resultados mais

significativos.

39

VI. Limitações e investigação futura

A primeira limitação prende-se com o facto da obtenção de dados. Devido às

burocracias e questões éticas por parte dos detentores da amostra sendo que, a facultação

da mesma foi um processo moroso o que levou a que o arranque do projecto se iniciasse

alguns meses depois do planeado.

Outra limitação é o número de observações da amostra, um número de apenas

355.483 observações é limitado para uma análise modelatória desta dimensão.

Um dos pontos que deverá ser abordado também é o facto de a amostra estar mal

preenchida, ou seja neste caso conter um número elevado de valores a vazio, não só nos

valores para as variáveis escolhidas como para a totalidade da amostra. Focando as

variáveis escolhidas para análise, exemplificando com a tabela 102 do anexo para a

totalidade da amostra. Como é possível verificar, existem bastantes variáveis seleccionadas

para o estudo da amostra cujas quais tem uma percentagem de valores a vazio a rondar os

90%. E este problema densifica-se à medida que se alonga pela análise dos segmentos, é

possível ver nas tabelas 103, 104, 105 e 106 do anexo, existem variáveis rondar os 100%,

nomeadamente nos segmentos 2, 3 e 4 enviesando assim a análise efectuada. Exemplo

disso são as variáveis relacionadas com a potência dos veículos, assim como os quilómetros

dos mesmos envolvidos no sinistro.

Por fim nas limitações, não existe conhecimento de como forma foram indicado como

casos suspeitos e/ou fraudulentos por parte dos criadores da amostra, limitando assim as

conclusões que se possam retirar desta.

No que toca a estudos futuros, uma análise de correlações assim como uma análise

factorial entre as variáveis para assim, estudar as variações de valores entre as várias

variáveis constituintes da amostra, como também a análise de possíveis relações espúrias35

entre estas.

35

Uma relação espúria significa uma falsa relação, seja esta positiva ou negativa entre duas variáveis, esta pode ter origem na pura coincidência entre as duas variáveis ou que a mesma seja criada por uma terceira variável.

40

A utilização de técnicas de segmentação de amostras como a criação de clusters

utilizando técnicas dos k-vizinhos mais próximos ou os self-organizing maps, também

conhecidos como SOM, permitem uma análise à priori da amostra, desconsiderando já as

variáveis de suspeição e confirmação de casos de fraude que podem ser posteriormente

cruzadas para analisar os casos de miss-classification por parte das regras de negócio e da

analise de outliers, efectuadas pela criadores da apólice.

41

VII. Bibliografia

ACL (2013). Fraud Detection Using Data Analytics in the Insurance Industry

Albert R. & Barabási A. (2002). Statistical mechanics of complex networks.

Araújo, T. V. (2006). Redes em Economia: criação de estruturas e auto-organização em

sistemas económicos complexos.

Artís, M., Ayuso, M., Guillé, M. (2002). Detection of Automobile Insurance Fraude With

Discrete Choise Models and Misclassified Claims.

Baker, T. (1996). On the Genealogy of Moral Hazard.

Baldock, T. (1997). Insurance Fraud.

Blass, T (2002). The Man Who Shocked the World: The Life and Legacy of Stanley Milgram.

Brites, J. C. (2006). Fraude em Seguros. Bolsa dos Seguros: Revista de Seguros de

Pensões,22 (9), pp. 20-27.

Cialdini, R. B. (1993). Influence: The Psychology of Persuasion.

Clarke, M. (1989). Insurance Fraud.

Clarke, M. (1990). The control of insurance fraud: a comparative view.

Correia, A. (2007). Fraude, um assunto que a todos diz respeito! APS Notícias.

Correia, A. (2010). Fraude: Introdução. In F. Gilberto, Os Grandes Desafios da Indústria

Seguradora.

Costa, A. M. A. (1999). Capítulo III, Dos Crimes Contra o Património em Geral. In J.

Figueiredo Dias (dir.), Comentário Conimbricense do Código Penal.

Cummins, D. & Tennyson, S. (1996). Moral Hazard in insurance claiming: Evidence from

automobile insurance.

Dean, D. H. (2004). Perceptions of the Ethicality of Consumer Insurance Claim Fraud.

Decreto-Lei nº 408/1979 de 25 de Setembro

Decreto-Lei 94-B/98, de 17 de Abril

42

Decreto-Lei nº 291/2007, de 21 de Agosto

Decreto-Lei nº72/2008 de 16 de Abril.

Decreto-Lei 2/2009, de 5 de Janeiro

Derrig, Richard A. (2002). Insurance Fraud.

Derrig, Richard A.; Johnston, Daniel J.; Sprinkel, Elizabeth A.(2006). Auto Insurance Fraud:

Measurements and Effords to combat it.

Diario da Republica nº170, Série I.

Dionne, G. & Gagné, R. (2002). Replacement Cost Endorsement and Opportunistic Fraud in

Automobile Insurance.

Dionne, G.; Wang, K. S. (2013). Does insurance fraud in automobile theft insurance

fluctuate with the business cycle?

Erin Insurance (2012). Erie Insurance Improves Its Detection Process and Stays True to Its

Values with LexisNexis® FraudFocus Enhanced

Fachin, Odília (2001). Fundamentos de metodologia. São Paulo: saraiva.

Fidel, Raya (1992). The case study method: a case study. GLAZIER, Jack D. & POWELL,

Ronald R. Qualitative research in information management. Englewood, CO: Libraries

Unlimited. Pp.37-50.

GNR (2013). Fraude em seguros: Colaboração entre a GNR e a APS.

Instituto de Seguros de Portugal (2011). Seguro Automóvel. In Instituto de Seguros de

Portugal, Guia de Seguros e Fundos de Pensões.

Insurance Research Council (1991). Public Attitude Monitor.

Insurance Research Council (1993). Public Attitude Monitor.

Lang, M; Wambach, A. (2013). The fog of fraud – Mitigating fraud by strategic ambiguity.

Lesch, William C.; Brinkmann, Johannes (2011). Consumer Insurance Fraud/Abuse as Co-

creation and Co-responsibility: A New Paradigm.

43

Lincoln, R., Wells, H. & Petherick, W. (2003). An Exploration of Automobile Insurance Fraud.

Martins, João Valente (2006). Notas práticas sobre o contrato de seguro.

Mendes, R. V. (1998a). Medidas de complexidade e auto-organização.

Mendes, R. V. (1998b). Conditional exponents, entropies and a measure of dynamical self-

organization.

Mendes, R. V. (2006). Complexidade e auto-organização no mundo natural: dos

procariontes à globalização.

Miyazaki, A. D. (2008). Perceived Ethicality of Insurance Claim Fraud: Do Higher Deductibles

Lead to Lower Ethical Standards?

Newman, M. E. J. (2003). The structure and function of complex networks.

Niemi, Hannu (1995). Insurance Fraud.

SAS (2012). Combating Insurance Claims Fraud. How to Recognize and Reduce

Opportunistic and Organized Claims Fraud.

Sparrow, M., (1996). License to Steal.

Tennyson, S. (1997). Economic institutions and individual ethics: A study of consumer

attitudes toward insurance fraud.

Tennyson, S. (2002). Insurance Experience and Consumers’ Attitudes Toward Insurance

Fraud.

Tennyson, S. (2008). Moral, Social, and Economic Dimensions of Insurance Claims Fraud.

Viaene, S.; Dedene, G. (2004). Insurance Fraud: Issues and Challenges.

Watts, D. (1999) Small Worlds.

Yin, R. (1994). Case Study Research: Design and Methods. Thousand Oaks, CA: SAGE

Publications

44

VIII. Anexos

a) Gráficos

Gráfico 1 – Localização das apólices consoante o quartil de percentagem do valor seguro pela apólice para os

casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

Gráfico 2 – Distribuição temporal da ocorrência dos sinistros para os casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

45

Gráfico 3 – Distribuição geográfica por Nut3 da ocorrência dos sinistros para os casos onde FLG_Susp_Fraud =

0 e FLG_Conf_Fraud = 0.

Gráfico 4 – Nacionalidade do sinistrado para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

Gráfico 5 – Género do sinistrado para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

46

Gráfico 6 – Tipos de lesão decorrente do sinistro para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud =

0.

Gráfico 7 – Tipos de veiculo seguro para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

Gráfico 8 – Tipo do veiculo 1 no sinistro para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

47


Gráfico 10 – Variável binária indicativa se o acidente ocorreu num dia de semana (0) ou se ocorreu num fim-

de-semana/feriado (1) para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

Gráfico 11 – Variável binária indicativa se o acidente ocorreu num em Portugal (0) ou se ocorreu no

estrangeiro (1) para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

48

Gráfico 12 – Variável binária indicativa se o tomador da apólice é reclamante (1) ou não (0) para os casos


Gráfico 13 – Variável binária indicativa se existiu intervenção das autoridades (1) ou não (0) para os casos


Gráfico 14 – Variável binária indicativa se existiu danos corporais (1) ou não (0) para os casos onde


49

Gráfico 15 – Variável binária indicativa se existiu testemunhas do sinistro (1) ou não (0) para os casos onde


Gráfico 16 – Variável binária que indica se há Sinistros anteriores envolvendo o Segurado e Oficina (1) ou não

(0) para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0.

Gráfico 17 – Variável binária que indica se o Segurado escolheu a Oficina (0) ou não (1) para os casos onde


50

Gráfico 18 – Variável binária que indica se a Oficina está associada a fraude (1) ou não (0) para os casos onde


Gráfico 19 – Variável binária se existem sinistros anteriores envolvendo (1) ou não (0) para os casos onde


Gráfico 20 – Distribuição do valor seguro pela apólice para os casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

51

Gráfico 21 – Distribuição da percentagem do valor seguro para os casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 1.


FLG_Conf_Fraud = 1.

Gráfico 23 – Distribuição geográfica por Nut3 da ocorrência dos sinistros para os casos onde FLG_Susp_Fraud

= 0 e FLG_Conf_Fraud = 1.

52



Gráfico 26 – Tipos de lesão decorrente do sinistro para os casos onde FLG_Susp_Fraud = 0 e FLG_Conf_Fraud

= 1.

53




54







55







56







57




FLG_Conf_Fraud = 1.

Gráfico 41 – Localização das apólices consoante o quartil de percentagem do valor seguro pela apólice para

os casos onde FLG_Susp_Fraud = 1 e FLG_Conf_Fraud = 0.

58


FLG_Conf_Fraud = 0.




59


Gráfico 46 – Tipos de lesão decorrente do sinistro para os casos onde FLG_Susp_Fraud = 1 e FLG_Conf_Fraud

= 0.


60





61







62







63







64


FLG_Conf_Fraud = 0.

Gráfico 61 – Localização das apólices consoante o quartil de percentagem do valor seguro pela apólice para

os casos onde FLG_Susp_Fraud = 1 e FLG_Conf_Fraud = 1.


FLG_Conf_Fraud = 1.

65





66




67







68







69







70




FLG_Conf_Fraud = 1.

b) Tabelas

Variable Mean Std Dev Minimum Maximum N

NUM_Antig_Policy 24.9200534 617.1169 -95891 780 315423

NUM_Antig_Alt_Policy 113.630813 432.801594 -364 7048 333303

VAL_Prop_Exposure 7056.25 29383.67 0 7496136 315423

NUM_Days_Incept 24.6758736 3701.57 -43 2191456 353791

VAL_VI_INSURED_VALUE 2575049.04 10923847.1 0 50000000 73430

NUM_VI_ENGINE 3385.95 12639.64 0 99999 89887

NUM_V1_KM 0 0 0 0 9496

NUM_V1_Age_FR 11.8129169 59.8968346 -1 2011 6147

NUM_V1_ENGINE 1216.41 7456.31 0 99999 5044

NUM_V2_KM 0 0 0 0 981

NUM_V2_ENGINE 1490.66 873.275592 0 5480 410

NUM_V2_Prior_Lines 0.1228388 2.0400152 0 70 4974

71

Tabela 2 – Estatísticas descritivas para as variáveis numéricas nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

008_Valor Seguro total nesta Apolice (Em valores de percentagem do do valor mais elevado - 25%, 50% e 75%)

Perc_Policy_Exposure Frequency Percent

25% 130879 36.99 50% 164765 46.57 75% 58172 16.44

Tabela 3 – Tabela de frequência para a variável Perc_Policy_Exposure nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

034_Hora do Sinistro M:07h..12h, T:12h..20h, N:00h..07h, PN:20h..24h, S (sem info)

COD_Claim_Time Frequency Percent

M 39174 11.07 N 66733 18.86

PN 13379 3.78 S 152380 43.07 T 82150 23.22

Tabela 4 – Tabela de frequência para a variável COD_Claim_Time nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

039_Nut onde se deu o Acidente

COD_Claim_Loc_Nuts Frequency Percent

Alentejo Central 2120 0.81 Alentejo Litoral 1033 0.40

Algarve 8957 3.43 Alto Alentejo 1177 0.45

Alto Trás-os-Montes 3407 1.31 Ave 11562 4.43

Açores 3253 1.25 Baixo Alentejo 1271 0.49

Baixo Mondego 6789 2.60 Baixo Vouga 6818 2.61

Beira Interior Norte 1919 0.74 Beira Interior Sul 1672 0.64

Cova da Beira 1331 0.51 Cávado 15475 5.93 Douro 4465 1.71

Dão-Lafões 4541 1.74 Entre Douro e Vouga 4998 1.92

Grande Lisboa 67813 26.01 Grande Porto 53881 20.66 Lezíria do Tejo 4305 1.65

Madeira 3017 1.16 Minho-Lima 4591 1.76 Médio Tejo 3370 1.29

Oeste 5515 2.11 Península de Setúbal 15452 5.93 Pinhal Interior Norte 1087 0.42

Pinhal Interior Sul 331 0.13 Pinhal Litoral 6546 2.51

Serra da Estrela 276 0.11 Tâmega 13790 5.29

Tabela 5 – Tabela de frequência para a variável COD_Claim_Loc_Nuts nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

72

123_Nacionalidade do Segurado

COD_NAT_CI Frequency Percent

EXTR 815 0.57 PORT 103578 72.98 UNKN 37533 26.45

Tabela 6 – Tabela de frequência para a variável COD_NAT_CI nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

128_Sexo do Segurado

COD_Gender_CI Frequency Percent

9047 7.55

D 18785 15.67 F 28002 23.36 M 64051 53.43

Tabela 7 – Tabela de frequência para a variável COD_Gender_CI nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

COD_Occupation_CI Frequency Percent

Profissão detalhada 4058 2.91

NULL 135650 97.09

Tabela 8 – Tabela de frequência para a variável COD_Occupation_CI nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

134_Natureza da Lesao no Segurado

COD_INJ_Nature_CI Frequency Percent

Choque 30 6.80 Entorses 2 0.45

Feridas_Sup 150 34.01 Fracturas 22 4.99

Lesoes_Int 13 2.95 Multiplas 17 3.85 Nao_Esp 207 46.94

Tabela 9 – Tabela de frequência para a variável COD_INJ_Nature_CI nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

195_Marca e Modelo Veiculo Segurado

COD_VI_MM Frequency Percent

A.J.P. 2 0.00 AIXAM 134 0.11

ALFA ROMEO 657 0.56 APRILIA 15 0.01

ARO 5 0.00 ASTON MARTIN 3 0.00

AUDI 4999 4.24 AUSTIN 1 0.00

AUTOBIANCHI 1 0.00 BEDFORD 16 0.01 BENALU 1 0.00 BENTLEY 1 0.00

BMW 5634 4.78 CAGIVA 1 0.00 CASAL 3 0.00

CHATENET 9 0.01 CHEVROLET 419 0.36 CHRYSLER 134 0.11 CITROEN 7076 6.00

73



CPI 3 0.00 DACIA 62 0.05

DAELIM 3 0.00 DAEWOO 177 0.15

DAF 134 0.11 DAIHATSU 40 0.03

DAIMLER BENZ 1 0.00 DATSUN 10 0.01

DAVID BROWN 1 0.00 DODGE 58 0.05 DUCATI 3 0.00 FAMEL 2 0.00

FERRARI 11 0.01 FIAT 4854 4.12

FORD 7292 6.19 GALERA 2 0.00

GALLOPER 4 0.00 GALUCHO 1 0.00

GILERA 9 0.01 HONDA 2598 2.20

HYUNDAI 1066 0.90 INVEPE 10 0.01 ISUZU 105 0.09 IVECO 419 0.36

JAGUAR 167 0.14 JCB 2 0.00 JDM 7 0.01 JEEP 138 0.12

JONWAY 1 0.00 KAWASAKI 25 0.02

KEEWAY 16 0.01 KIA 477 0.40

KRONE 1 0.00 KYMCO 6 0.01 LANCIA 413 0.35

LAND ROVER 354 0.30 LECIBERICA 3 0.00

LECSOR 1 0.00 LEXUS 123 0.10 LIGIER 20 0.02 LOTUS 3 0.00 MACAL 2 0.00 MAN 80 0.07

MASERATI 3 0.00 MASSEY 1 0.00

MASSEY FERGUSON 1 0.00 MAZDA 1082 0.92

MBK 3 0.00 MEGA 4 0.00

MERCEDES 7800 6.62 MG 75 0.06

MICRO 4 0.00 MICROCAR 35 0.03

MINI 328 0.28 MITSUBISHI 2249 1.91

NISSAN 2226 1.89

74



OPEL 11313 9.60 OUTRO 11554 9.80 Outro 143 0.12

PEGASO 1 0.00 PEUGEOT 8501 7.21

PGO 1 0.00 PIAGGIO 29 0.02 PORSCHE 174 0.15 PORTARO 2 0.00 RENAULT 13202 11.20

ROVER 670 0.57 SAAB 137 0.12

SAMRO 4 0.00 SCANIA 143 0.12

SCHMITZ 7 0.01 SEAT 1763 1.50

SETRA 5 0.00 SIMPA 2 0.00

SIS SACHS 3 0.00 SKODA 915 0.78 SMART 1133 0.96

SSANGYONG 16 0.01 STANDARD 1 0.00

STEYR 7 0.01 SUBARU 46 0.04 SUZUKI 635 0.54

SYM 14 0.01 TALBOT 1 0.00

TATA 8 0.01 TOYOTA 5553 4.71

TRIUMPH 2 0.00 UMM 2 0.00 VESPA 17 0.01

VOLKSWAGEN 8648 7.34 VOLVO 1417 1.20

YAMAHA 185 0.16

Tabela 10 – Tabela de frequência para a variável COD_VI_MM nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

196_Tipo do Veiculo Segurado

COD_VI_TYPE Frequency Percent

OTH 702 0.64 VL 107140 97.36 VM 1691 1.54 VP 514 0.47

Tabela 11 – Tabela de frequência para a variável COD_VI_TYPE nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

243_Marca e Modelo Veiculo 1

COD_V1_MM Frequency Percent

A.J.P. 15 0.04 ADLY 19 0.05

75



AIXAM 54 0.14 ALFA ROMEO 254 0.68

APRILIA 13 0.03 ARO 267 0.72 ASIA 2 0.01 AUDI 1332 3.57

AUSTIN 2 0.01 AUTOBIANCHI 1 0.00

BEDFORD 24 0.06 BENALU 1 0.00 BENELLI 1 0.00

BMW 1398 3.75 CASAL 7 0.02

CHATENET 1 0.00 CHEVROLET 111 0.30 CHRYSLER 38 0.10 CITROEN 2145 5.75

DACIA 13 0.03 DAELIM 1 0.00

DAEWOO 66 0.18 DAF 119 0.32

DAIHATSU 22 0.06 DATSUN 1 0.00 DODGE 11 0.03 DUCATI 1 0.00 FAMEL 1 0.00

FIAT 1872 5.02 FORD 2536 6.80

GILERA 9 0.02 HARLEY DAVIDSON 3 0.01

HONDA 1001 2.68 HYUNDAI 376 1.01

INNOCENTI 1 0.00 INVEPE 6 0.02 ISUZU 94 0.25 IVECO 156 0.42

JAGUAR 30 0.08 JEEP 36 0.10

KAWASAKI 28 0.08 KEEWAY 21 0.06

KIA 150 0.40 KTM 3 0.01 LADA 1 0.00

LAMBORGHINI 2 0.01 LANCIA 150 0.40

LAND ROVER 110 0.29 LEXUS 18 0.05 LIGIER 3 0.01 LOTUS 1 0.00 MACAL 1 0.00

MALAGUTI 2 0.01 MAN 120 0.32

MASSEY 1 0.00 MAZDA 294 0.79 MEGA 1 0.00

MERCEDES 2396 6.42

76



MG 14 0.04 MICRO 1 0.00

MICROCAR 14 0.04 MINI 64 0.17

MITSUBISHI 848 2.27 MZ 1 0.00

NISSAN 886 2.37 NORTON 1 0.00

OPEL 3627 9.72 OUTRO 1197 3.21 Outro 256 0.69

PEUGEOT 2600 6.97 PGO 1 0.00

PIAGGIO 46 0.12 PORSCHE 47 0.13 RENAULT 4156 11.14

ROVER 286 0.77 SAAB 24 0.06

SACHS 2 0.01 SADO 1 0.00

SANYANG 1 0.00 SCANIA 112 0.30

SCHMITZ 2 0.01 SEAT 997 2.67

SETRA 1 0.00 SKODA 300 0.80 SMART 281 0.75

SSANGYONG 7 0.02 SUBARU 14 0.04 SUZUKI 270 0.72

SYM 9 0.02 TATA 7 0.02

TOYOTA 2025 5.43 TRIUMPH 2 0.01

UMM 1 0.00 VESPA 18 0.05


YAMAHA 257 0.69 ZUNDAP 2 0.01

Tabela 12 – Tabela de frequência para a variável COD_V1_MM nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0.

244_Tipo do Veiculo 1

COD_V1_TYPE Frequency Percent

OTH 2026 4.90 VL 37661 91.01 VM 1082 2.61 VP 612 1.48

Tabela 13 – Tabela de frequência para a variável COD_V1_TYPE nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

77



A.J.P. 14 0.32 ADLY 4 0.09


APRILIA 2 0.05 ARO 60 1.39 AUDI 156 3.61

BEDFORD 3 0.07 BMW 162 3.75 CASAL 1 0.02

CHEVROLET 11 0.25 CHRYSLER 6 0.14 CITROEN 239 5.53

DACIA 3 0.07 DAEWOO 8 0.19

DAF 17 0.39 DAIHATSU 1 0.02

FIAT 214 4.95 FORD 315 7.29

GILERA 3 0.07 HARLEY DAVIDSON 1 0.02

HONDA 102 2.36 HYUNDAI 40 0.93

ISUZU 5 0.12 IVECO 18 0.42

JAGUAR 3 0.07 JAWA 1 0.02 JEEP 5 0.12

KEEWAY 2 0.05 KIA 17 0.39

LANCIA 14 0.32 LAND ROVER 13 0.30

LEXUS 2 0.05 MAN 6 0.14

MAZDA 40 0.93 MERCEDES 242 5.60

MG 3 0.07 MICROCAR 2 0.05

MINI 7 0.16 MITSUBISHI 95 2.20

NISSAN 83 1.92 NORTON 1 0.02

OPEL 428 9.91 OUTRO 114 2.64 Outro 85 1.97

PEUGEOT 319 7.39 PIAGGIO 2 0.05 PORSCHE 3 0.07 RENAULT 475 11.00

ROVER 33 0.76 SAAB 6 0.14

SACHS 1 0.02 SCANIA 6 0.14

SCHMITZ 1 0.02 SEAT 123 2.85

SETRA 1 0.02

78



SKODA 27 0.63 SMART 27 0.63

SSANGYONG 1 0.02 SUBARU 2 0.05 SUZUKI 38 0.88

SYM 3 0.07 TATA 1 0.02

TOYOTA 208 4.82 UMM 1 0.02 VESPA 3 0.07


YAMAHA 30 0.69


FLG_Conf_Fraud = 0



OTH 89 2.00 VL 4203 94.39 VM 121 2.72 VP 40 0.90


FLG_Conf_Fraud = 0

035_Se o Sinistro ocorreu ou nao durante um Final de Semana ou Feriado (Claim_dt) (tabela de feriados nacionais)

FLG_Claim_Wkend Frequency Percent

0 276939 78.27 1 76877 21.73

Tabela 16 – Tabela de frequência para a variável FLG_Claim_Wkend nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

040_Se o Sinistro ocorreu no Estrangeiro ou em Portugal

FLG_Claim_Overseas Frequency Percent

0 351196 99.26 1 2620 0.74

Tabela 17 – Tabela de frequência para a variável FLG_Claim_Overseas nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

041_Se o Tomador eh reclamante

FLG_Claim_Insured Frequency Percent

0 328893 92.96 1 24923 7.04

79

Tabela 18 – Tabela de frequência para a variável FLG_Claim_Insured nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

042_Se existiu ou nao Intervencao das Autoridades

FLG_Claim_Police_Rep Frequency Percent

0 351046 99.22 1 2770 0.78

Tabela 19 – Tabela de frequência para a variável FLG_Claim_Police_Rep nos casos onde FLG_Susp_Fraud = 0

e FLG_Conf_Fraud = 0

043_Se existiu ou nao Danos Corporais

FLG_Claim_Injured Frequency Percent

0 341768 96.59 1 12048 3.41

Tabela 20 – Tabela de frequência para a variável FLG_Claim_Injured nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

044_Se existiram ou nao testemunhas

FLG_Claim_Witness Frequency Percent

0 353444 99.89 1 372 0.11

Tabela 21 – Tabela de frequência para a variável FLG_Claim_Witness nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

138_Indicador se ha Sinistros anteriores envolvendo o Segurado e Oficina em que seu veiculo foi reparado

FLG_PC_Providers_CI Frequency Percent

0 341078 96.40 1 12738 3.60

Tabela 22 – Tabela de frequência para a variável FLG_PC_Providers_CI nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

209_Indicador Cliente Veiculo Segurado escolheu a oficina

FLG_VI_Chose_Garage Frequency Percent

0 353816 100.00

Tabela 23 – Tabela de frequência para a variável FLG_VI_Chose_Garage nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

210_Indicador se oficina associada ao Veiculo Segurado teve fraudes anteriores

FLG_VI_Repair_PFraud Frequency Percent

0 346384 97.90 1 7432 2.10

Tabela 24 – Tabela de frequência para a variável FLG_VI_Repair_PFraud nos casos onde FLG_Susp_Fraud = 0

e FLG_Conf_Fraud = 0

80

251_Indicador se ha Sinistros anteriores envolvendo a oficina do Veiculo 1

FLG_PC_V1_Provider Frequency Percent

0 351698 99.40 1 2118 0.60

Tabela 25 – Tabela de frequência para a variável FLG_PC_V1_Provider nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 0

Analysis Variable : VAL_Policy_Exposure 008_Valor Seguro total nesta Apolice (exposure)

Mean Std Dev Minimum Maximum N

13959.29 16005.16 0 99984.00 311256

Tabela 26 – Tabela de estatísticas descritivas para a variável VAL_Policy_Exposure nos casos onde

FLG_Susp_Fraud = 0 e FLG_Conf_Fraud = 0


NUM_Antig_Policy 18.0465574 27.7481845 0 235 1525

NUM_Antig_Alt_Policy 22.6847969 147.8461216 -356 364 1526

VAL_Prop_Exposure 3607.68 10441.52 0 212553.68 1525

NUM_Days_Incept 14.0597791 23.6081539 0 220 1539

VAL_VI_INSURED_VALUE 44.8772689 394.2821398 0 6000 238

NUM_VI_ENGINE 2458.43 7657.76 0 99999 334

NUM_V1_KM . . . . 0

NUM_V1_Age_FR 7.25 5.8002463 0 19 8

NUM_V1_ENGINE 1667.33 471.4332756 1124 1968 3

NUM_V2_KM . . . . 0

NUM_V2_ENGINE 1968 . 1968 1968 1

NUM_V2_Prior_Lines 0.025641 0.1601282 0 1 39 Tabela 27 – Estatísticas descritivas para as variáveis numéricas nos casos onde FLG_Susp_Fraud = 0 e

FLG_Conf_Fraud = 1.



25% 474 30.80 50% 901 58.54 75% 164 10.66

Tabela 28 – Tabela de frequência para a variável Perc_Policy_Exposure nos casos onde




M 168 10.92 N 663 43.08

PN 108 7.02 S 309 20.08 T 291 18.91

Tabela 29 – Tabela de frequência para a variável COD_Claim_Time nos casos onde FLG_Susp_Fraud =



81


Alentejo Central 4 0.37 Alentejo Litoral 2 0.19

Algarve 47 4.39 Alto Alentejo 4 0.37

Alto Trás-os-Montes 12 1.12 Ave 73 6.82

Açores 15 1.40 Baixo Alentejo 5 0.47



Cova da Beira 3 0.28 Cávado 90 8.41 Douro 29 2.71


Grande Lisboa 209 19.53 Grande Porto 197 18.41 Lezíria do Tejo 29 2.71

Madeira 15 1.40 Minho-Lima 16 1.50 Médio Tejo 10 0.93

Oeste 23 2.15 Península de Setúbal 64 5.98 Pinhal Interior Norte 5 0.47

Pinhal Interior Sul 2 0.19 Pinhal Litoral 16 1.50

Tâmega 82 7.66

Tabela 30 – Tabela de frequência para a variável COD_Claim_Loc_Nuts nos casos onde




EXTR 7 1.52 PORT 365 79.18 UNKN 89 19.31


FLG_Conf_Fraud = 1.



D 34 9.02

F 79 20.95

M 264 70.03

Tabela 32 – Tabela de frequência para a variável COD_Gender_CI nos casos onde FLG_Susp_Fraud = 0

e FLG_Conf_Fraud = 1.



NULL 445 96.95

82

Tabela 33 – Tabela de frequência para a variável COD_Occupation_CI nos casos onde




Choque 1 33.33 Feridas_Sup 2 66.67

Tabela 34 – Tabela de frequência para a variável COD_INJ_Nature_CI nos casos onde FLG_Susp_Fraud





AUDI 42 9.72 BMW 27 6.25

CHEVROLET 1 0.23 CITROEN 35 8.10

DAF 1 0.23 FIAT 18 4.17

FORD 32 7.41 HONDA 15 3.47

HYUNDAI 3 0.69 IVECO 2 0.46

KAWASAKI 3 0.69 KIA 1 0.23

LAND ROVER 1 0.23 MASERATI 1 0.23


MG 2 0.46 MINI 2 0.46

MITSUBISHI 12 2.78 NISSAN 10 2.31

OPEL 35 8.10 OUTRO 3 0.69 Outro 2 0.46

PEUGEOT 22 5.09 PIAGGIO 1 0.23 PORSCHE 1 0.23 RENAULT 37 8.56

ROVER 3 0.69 SAMRO 1 0.23 SCANIA 1 0.23

SEAT 4 0.93 SKODA 1 0.23 SMART 3 0.69

SUBARU 1 0.23 SUZUKI 4 0.93 TOYOTA 19 4.40 VESPA 1 0.23


YAMAHA 4 0.93


FLG_Conf_Fraud = 1.

83



OTH 3 0.67 VL 419 94.16 VM 20 4.49 VP 3 0.67


FLG_Conf_Fraud = 1.




ARO 3 1.15 AUDI 19 7.25 BMW 14 5.34


DACIA 1 0.38 DAEWOO 1 0.38

DAF 1 0.38 FIAT 11 4.20

FORD 10 3.82 HONDA 10 3.82

HYUNDAI 2 0.76 KAWASAKI 1 0.38

KEEWAY 1 0.38 MAZDA 1 0.38

MERCEDES 19 7.25 MITSUBISHI 6 2.29

NISSAN 8 3.05 OPEL 31 11.83

OUTRO 7 2.67 Outro 1 0.38

PEUGEOT 24 9.16 PORSCHE 2 0.76 RENAULT 16 6.11

ROVER 1 0.38 SCANIA 1 0.38

SEAT 3 1.15 SKODA 4 1.53 SMART 4 1.53 SUZUKI 2 0.76 TOYOTA 8 3.05


YAMAHA 4 1.53


FLG_Conf_Fraud = 1.



OTH 1 0.34 VL 270 93.10 VM 17 5.86

84



VP 2 0.69


FLG_Conf_Fraud = 1



ARO 1 3.23 AUDI 3 9.68 BMW 1 3.23

CITROEN 2 6.45 FIAT 3 9.68

FORD 3 9.68 JEEP 1 3.23 KIA 1 3.23


NISSAN 1 3.23 OPEL 3 9.68

PEUGEOT 3 9.68 RENAULT 1 3.23

SEAT 1 3.23 SUZUKI 2 6.45

VOLKSWAGEN 2 6.45


FLG_Conf_Fraud = 1



VL 32 94.12 VM 2 5.88


FLG_Conf_Fraud = 1



0 1151 74.79 1 388 25.21

Tabela 41 – Tabela de frequência para a variável FLG_Claim_Wkend nos casos onde FLG_Susp_Fraud

= 0 e FLG_Conf_Fraud = 1



0 1534 99.68 1 5 0.32

Tabela 42 – Tabela de frequência para a variável FLG_Claim_Overseas nos casos onde


85



0 1539 100.00

Tabela 43 – Tabela de frequência para a variável FLG_Claim_Insured nos casos onde FLG_Susp_Fraud




0 1539 100.00

Tabela 44 – Tabela de frequência para a variável FLG_Claim_Police_Rep nos casos onde




0 1365 88.69 1 174 11.31

Tabela 45 – Tabela de frequência para a variável FLG_Claim_Injured nos casos onde FLG_Susp_Fraud




0 1539 100.00


FLG_Conf_Fraud = 1



0 1500 97.47 1 39 2.53

Tabela 47 – Tabela de frequência para a variável FLG_PC_Providers_CI nos casos onde




0 1539 100.00

Tabela 48 – Tabela de frequência para a variável FLG_VI_Chose_Garage nos casos onde




0 1539 100.00

Tabela 49 – Tabela de frequência para a variável FLG_VI_Repair_PFraud nos casos onde




0 1539 100.00

Tabela 50 – Tabela de frequência para a variável FLG_PC_V1_Provider nos casos onde


86



10793.62 11514.22 0 85000.00 1521




NUM_Antig_Policy 12.77273 21.4355319 0 130 44

NUM_Antig_Alt_Policy 161.1818 128.1282556 0 360 44


NUM_Days_Incept 4.531915 4.8582116 0 21 47

VAL_VI_INSURED_VALUE . . . . 0

NUM_VI_ENGINE . . . . 0

NUM_V1_KM . . . . 0

NUM_V1_Age_FR 4 1.4142136 3 5 2

NUM_V1_ENGINE . . . . 0

NUM_V2_KM . . . . 0


NUM_V2_Prior_Lines 0 0 0 0 3 Tabela 52 – Estatísticas descritivas para as variáveis numéricas nos casos onde FLG_Susp_Fraud = 1 e

FLG_Conf_Fraud = 0.



25% 37 78.72 50% 3 6.38 75% 7 14.89

Tabela 53 – Tabela de frequência para a variável Perc_Policy_Exposure nos casos onde FLG_Susp_Fraud = 1 e

FLG_Conf_Fraud = 0.



S 47 100.00





Alentejo Litoral 2 4.26 Algarve 3 6.38

Alto Alentejo 1 2.13 Ave 4 8.51



Cávado 2 4.26 Douro 3 6.38

Entre Douro e Vouga 1 2.13 Grande Lisboa 17 36.17 Grande Porto 5 10.64 Médio Tejo 1 2.13

87



Oeste 1 2.13 Península de Setúbal 2 4.26

Tâmega 1 2.13





EXTR 2 5.56 PORT 11 30.56 UNKN 23 63.89


FLG_Conf_Fraud = 0.



D 2 5.56 F 8 22.22 M 26 72.22





NULL 35 97.22





Feridas_Sup 1 50.00 Nao_Esp 1 50.00





ARO 1 3.13 AUDI 1 3.13 BMW 1 3.13


DAF 1 3.13 FIAT 1 3.13

FORD 3 9.38 HONDA 2 6.25

KAWASAKI 1 3.13 LAND ROVER 1 3.13 MERCEDES 4 12.50

NISSAN 2 6.25 OPEL 2 6.25

RENAULT 1 3.13 ROVER 1 3.13

88



SUZUKI 1 3.13 TOYOTA 3 9.38

VOLKSWAGEN 2 6.25 YAMAHA 1 3.13


FLG_Conf_Fraud = 0.



VL 26 81.25 VM 6 18.75


FLG_Conf_Fraud = 0.



ALFA ROMEO 2 18.18 ARO 1 9.09 FIAT 1 9.09

FORD 1 9.09 OPEL 1 9.09

PEUGEOT 1 9.09 RENAULT 2 18.18 SUZUKI 1 9.09 TOYOTA 1 9.09


FLG_Conf_Fraud = 0.



VL 10 90.91 VM 1 9.09


FLG_Conf_Fraud = 0.



ALFA ROMEO 1 33.33 LAND ROVER 1 33.33

OPEL 1 33.33


FLG_Conf_Fraud = 0.



VL 3 100.00


FLG_Conf_Fraud = 0.


89


0 37 78.72 1 10 21.28


FLG_Conf_Fraud = 0.



0 47 100.00


FLG_Conf_Fraud = 0.



0 47 100.00


FLG_Conf_Fraud = 0.



0 47 100.00





0 38 80.85 1 9 19.15





0 47 100.00

Tabela 71 – Tabela de frequência para a variável FLG_Claim_Witness nos casos onde FLG_Susp_Fraud




0 44 93.62 1 3 6.38


FLG_Conf_Fraud = 0.



0 47 100.00

90

Tabela 73 – Tabela de frequência para a variável FLG_VI_Chose_Garage nos casos onde




0 47 100.00

Tabela 74 – Tabela de frequência para a variável FLG_VI_Repair_PFraud nos casos onde




0 47 100.00

Tabela 75 – Tabela de frequência para a variável FLG_PC_V1_Provider nos casos onde




11769.65 22211.98 0 96654.57 44




NUM_Antig_Alt_Policy 167.2179487 107.4427238 0 351 78

NUM_Antig_Policy 18.1025641 37.0831252 0 299 78

NUM_Days_Incept 5.9876543 10.7987196 0 81 81

NUM_V1_Age_FR 5 . 5 5 1


NUM_V1_KM . . . . 0


NUM_V2_KM . . . . 0

NUM_V2_Prior_Lines 0 0 0 0 3

NUM_VI_ENGINE . . . . 0


VAL_VI_INSURED_VALUE . . . . 0 Tabela 77 – Estatísticas descritivas para as variáveis numéricas nos casos onde FLG_Susp_Fraud = 1 e

FLG_Conf_Fraud = 1.



25% 78 96.30 50% 1 1.23 75% 2 2.47

Tabela 78 – Tabela de frequência para a variável Perc_Policy_Exposure nos casos onde




S 81 100.00

91





Alentejo Litoral 1 1.23 Algarve 7 8.64

Alto Alentejo 2 2.47 Alto Trás-os-Montes 2 2.47

Ave 6 7.41 Baixo Alentejo 1 1.23



Cova da Beira 1 1.23 Cávado 3 3.70


Grande Lisboa 16 19.75 Grande Porto 12 14.81 Minho-Lima 3 3.70 Médio Tejo 1 1.23

Oeste 1 1.23 Península de Setúbal 5 6.17

Pinhal Litoral 2 2.47 Tâmega 7 8.64





EXTR 2 3.64 PORT 20 36.36 UNKN 33 60.00


FLG_Conf_Fraud = 1.



D 10 18.18 F 6 10.91 M 39 70.91





NULL 46 86.79



134_Natureza da Lesao

no Segurado

92






AUDI 3 5.77 BMW 2 3.85

BOMBARDIER 1 1.92 DUCATI 1 1.92

FIAT 1 1.92 FORD 2 3.85

HONDA 4 7.69 HYUNDAI 1 1.92 JAGUAR 1 1.92

MERCEDES 8 15.38 MITSUBISHI 2 3.85

OPEL 5 9.62 PEUGEOT 4 7.69 PORSCHE 1 1.92 RENAULT 2 3.85

ROVER 2 3.85 SUZUKI 3 5.77 TOYOTA 4 7.69

VOLKSWAGEN 3 5.77 YAMAHA 2 3.85


FLG_Conf_Fraud = 1.



OTH 1 1.92 VL 40 76.92 VM 11 21.15


FLG_Conf_Fraud = 1.



AUDI 3 15.79 BMW 2 10.53

CHRYSLER 1 5.26 FAMEL 1 5.26 FORD 1 5.26

LANCIA 1 5.26 MERCEDES 1 5.26

MINI 1 5.26 NISSAN 1 5.26

OPEL 2 10.53 ROVER 1 5.26 SMART 1 5.26 SUZUKI 1 5.26

VOLKSWAGEN 2 10.53

93


FLG_Conf_Fraud = 1.



VL 17 89.47 VM 2 10.53


FLG_Conf_Fraud = 1.



PEUGEOT 1 33.33 RENAULT 1 33.33 SMART 1 33.33


FLG_Conf_Fraud = 1.



VL 3 100.00


FLG_Conf_Fraud = 1.



0 58 71.60 1 23 28.40


FLG_Conf_Fraud = 1.



0 81 100.00


FLG_Conf_Fraud = 1.



0 81 100.00


FLG_Conf_Fraud = 1.



0 81 100.00




94


0 71 87.65 1 10 12.35





0 81 100.00


FLG_Conf_Fraud = 1.



0 76 93.83 1 5 6.17


FLG_Conf_Fraud = 1.



0 81 100.00

Tabela 98 – Tabela de frequência para a variável FLG_VI_Chose_Garage nos casos onde FLG_Susp_Fraud = 1 e

FLG_Conf_Fraud = 1.



0 81 100.00

Tabela 99 – Tabela de frequência para a variável FLG_VI_Repair_PFraud nos casos onde FLG_Susp_Fraud = 1




0 81 100.00

Tabela 100 – Tabela de frequência para a variável FLG_PC_V1_Provider nos casos onde FLG_Susp_Fraud = 1 e

FLG_Conf_Fraud = 1.



1606.00 6890.04 0 57331.83 77



Variavel Nº Missing % Total

NUM_Antig_Policy 38413 10.81%

NUM_Antig_Alt_Policy 20532 5.78%

VAL_Prop_Exposure 38413 10.81%

NUM_Days_Incept 25 0.01%

95

COD_Claim_Loc_Nuts 93523 26.31%

COD_NAT_CI 213005 59.92%

COD_Gender_CI 244177 68.69%

COD_Occupation_CI 351402 98.85%

COD_INJ_Nature_CI 355037 99.87%

COD_VI_MM 237087 66.69%

COD_VI_TYPE 244907 68.89%

VAL_VI_INSURED_VALUE 281815 79.28%

NUM_VI_ENGINE 265262 74.62%

NUM_V1_KM 345987 97.33%

NUM_V1_Age_FR 349325 98.27%

COD_V1_MM 317883 89.42%

COD_V1_TYPE 313782 88.27%

NUM_V1_ENGINE 350436 98.58%

NUM_V2_KM 354502 99.72%

COD_V2_MM 351127 98.77%

COD_V2_TYPE 350990 98.74%

NUM_V2_ENGINE 355072 99.88%

NUM_V2_Prior_Lines 350464 98.59% Tabela 102 – Tabela de valores omissos para o total da amostra

Variavel Nº Missing % Segmento 1






COD_NAT_CI 211890 59.89%




COD_VI_MM 235936 66.68%

COD_VI_TYPE 243769 68.90%



NUM_V1_KM 344320 97.32%

NUM_V1_Age_FR 347669 98.26%

COD_V1_MM 316508 89.46%

COD_V1_TYPE 348772 98.57%

NUM_V1_ENGINE 312435 88.30%

NUM_V2_KM 352835 99.72%

COD_V2_MM 349497 98.78%

96

COD_V2_TYPE 349363 98.74%

NUM_V2_ENGINE 353406 99.88%

NUM_V2_Prior_Lines 348842 98.59% Tabela 103 – Tabela de valores omissos para o segmento 1







COD_NAT_CI 1078 70.05%




COD_VI_MM 1107 71.93%

COD_VI_TYPE 1094 71.09%



NUM_V1_KM 1539 100.00%

NUM_V1_Age_FR 1531 99.48%

COD_V1_MM 1277 82.98%

COD_V1_TYPE 1249 81.16%

NUM_V1_ENGINE 1536 99.81%

NUM_V2_KM 1539 100.00%

COD_V2_MM 1508 97.99%

COD_V2_TYPE 1505 97.79%









COD_NAT_CI 11 23.40%




COD_VI_MM 15 31.91%

COD_VI_TYPE 15 31.91%


97


NUM_V1_KM 47 100.00%

NUM_V1_Age_FR 45 95.74%

COD_V1_MM 36 76.60%

COD_V1_TYPE 36 76.60%


NUM_V2_KM 47 100.00%

COD_V2_MM 44 93.62%

COD_V2_TYPE 44 93.62%









COD_NAT_CI 0 0.00%




COD_VI_MM 29 35.80%

COD_VI_TYPE 29 35.80%



NUM_V1_KM 81 100.00%

NUM_V1_Age_FR 80 98.77%

COD_V1_MM 62 76.54%

COD_V1_TYPE 62 76.54%


NUM_V2_KM 81 100.00%

COD_V2_MM 78 96.30%

COD_V2_TYPE 78 96.30%



98

c) Matrizes

FLG_Claim_Wkend Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 8 – Relação da variável FLG_Claim_Wkend entre segmentos, sendo mais comum o facto de o acidente

ocorrer durante a semana.

COD_Claim_Loc_Nuts Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 9 – Relação da variável FLG_Claim_Wkend entre segmentos, sendo mais comum o facto de os sinistros

ocorrerem principalmente no grande Porto e grande Lisboa.

FLG_Claim_Overseas Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 10 – Relação da variável FLG_Claim_Overseas entre segmentos, sendo mais comum o facto de os

sinistros em território português.

FLG_Claim_Insured Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 10 – Relação da variável FLG_Claim_Insured entre segmentos, sendo mais comum o facto de os

sinistros não ter sido reclamado pelo tomador do seguro.

FLG_Claim_Police_Rep Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 11 – Relação da variável FLG_Claim_Police_Rep entre segmentos, sendo mais comum o facto de os

sinistros não terem obtido a presença das autoridades.

FLG_Claim_Injured Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1

99

Matriz 12 – Relação da variável FLG_Claim_Injured entre segmentos, sendo mais comum o facto de os

sinistros não terem ocorrido lesões corporais decorrentes do mesmo.

COD_Gender_CI Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 13 – Relação da variável COD_Gender_CI entre segmentos, sendo mais comum o facto de os

tomadores do seguro em questão serem do género masculino.

FLG_VI_Chose_Garage Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 14 – Relação da variável FLG_VI_Chose_Garage entre segmentos, sendo mais comum o facto de os

tomadores do seguro terem de sua vontade escolhido a oficina para as reparações dos seus veículos.

FLG_VI_Repair_PFraud Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 15 – Relação da variável FLG_VI_Repair_PFraud entre segmentos, sendo mais comum o facto as

oficinas seleccionadas pelos tomadores de seguros não terem sido identificadas por fraude anteriormente.

FLG_PC_V1_Provider Segmento 1 Segmento 2 Segmento 3 Segmento 4

Segmento 1 1 1 1

Segmento 2 1 1 1

Segmento 3 1 1 1

Segmento 4 1 1 1 Matriz 16 – Relação da variável FLG_PC_V1_Provider entre segmentos, sendo mais comum o facto as oficinas

seleccionadas pelos tomadores de seguros não terem sido seleccionadas em casos anteriores.

Utilização de redes para a detecção de casos de fraude em ...

Documents

Transcript of Utilização de redes para a detecção de casos de fraude em ...